★ 2
arXiv 论文提出组件翻译与评判标注拒答的多语言安全评估
论文提出「配对反转」方法，分别将请求中的组件或操作翻译为目标语言，以区分语言承载位置对拒答的影响。在 190 条有害行为上测试英、中、西九种配置，Gemini 2.5 Flash 与 DeepSeek 的拒答差异约 5.3 个百分点且未通过多重校正；Mistral Small 4 出现 13.7 …
arXiv NLP3 天前
#拒答
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
安全算子：通过谱优化调控安全指令表达
论文发现 transformer 语言模型中的上下文 token 可作为乘性算子被吸收进权重，其主特征值决定安全指令对生成的影响强度。作者提出带抑制权重的对比安全损失，通过调节抑制权重在攻击成功率与过度拒答率之间形成连续权衡，从而得到帕累托改进的安全指令。
arXiv cs.AI33 天前