Chống lại các chỉ dẫn độc hại thông qua chỉnh sửa trọng số không cần huấn luyện
Resisting Harmful Instructions through Training-Free Weight Editing
Đoạn trích bài viết
Các mô hình ngôn ngữ tuân theo chỉ dẫn có thể đáp ứng các yêu cầu xung đột với các hành vi dự kiến và căn chỉnh an toàn. Chúng tôi giới thiệu một phương pháp chỉnh sửa trọng số không cần huấn luyện nhằm giảm mức độ tuân thủ đối với các chỉ dẫn không mong muốn cụ thể.
Toàn văn bài viết
Mở bài viết gốc
Đọc bài viết đầy đủ trên huggingface
Mở bài gốc để xem trọn vẹn chi tiết và dẫn chứng.