研究人员开发了强韧对齐语言模型（RA-LLM），可有效抵御对齐攻击，成功率从近100％降低到约10％或更低。

研究人员开发了强韧对齐语言模型（RA-LLM），可防止大型语言模型滥用生成有害内容，无需重训练或微调，实验证明有效。