Policy Is Not Capability: Some Safety Benchmarks Measure Which Definition of "Unsafe" You Trained On

Đoạn trích bài viết

Một trình phân loại hàng rào bảo vệ được báo cáo như thể không an toàn là một thuộc tính của văn bản. Nó không phải là: nó là một tài sản của một chính sách, và chính sách đi vào mô hình thông qua nhãn của nó.