Apple Machine Learning Research
·
低语专家：通过抑制专家神经元减轻预训练语言模型中的有害性
💡
原文英文，约300词，阅读约需1分钟。
📝
内容提要
该文章介绍了一种减轻大型语言模型生成有害语言的方法，通过识别神经元对有害句子的区分能力，减少其激活水平来减轻有害语言。作者提出了AUROC适应（AURA）方法，可应用于任何预训练的大型语言模型。实验证明，AURA可将有害性减少2.2倍，仅增加0.72的困惑度。AURA在不同规模的模型上都有效，并保留了常识零样本能力。AURA可与预提示策略结合，将平均减轻潜力从1.28倍提升至2.35倍。此外，AURA还可对抗恶意预提示引发的有害内容，成为一种有效的部署更安全、更少有害模型的方法。
🎯
关键要点
- 大型语言模型（LLMs）生成有害语言的问题
- 通过识别神经元对有害句子的区分能力来减轻有害语言
- 提出AUROC适应（AURA）方法，适用于任何预训练的LLM
- AURA可将有害性减少2.2倍，困惑度仅增加0.72
- AURA在不同规模的模型上有效，保留常识零样本能力
- AURA可与预提示策略结合，减轻潜力从1.28倍提升至2.35倍
- AURA能对抗恶意预提示引发的有害内容
- AURA是一种有效的部署更安全、更少有害模型的方法
➡️
