★ 3
SEDATE：跨语言攻击性神经回路与免训练安全编辑
arXiv 论文提出 SEDATE，一种基于「检测-编辑-验证」的免训练方法，用于定位并编辑大模型中与攻击性/不安全输出相关的神经元，从而提升多语言安全性。方法在 7 种语言、4 个模型家族及 4 种分布外语言上评测，安全得分显著优于最佳基线，同时保留通用能力、开销可忽略。
arXiv NLP6 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
arXiv 论文提出 SEDATE，一种基于「检测-编辑-验证」的免训练方法，用于定位并编辑大模型中与攻击性/不安全输出相关的神经元，从而提升多语言安全性。方法在 7 种语言、4 个模型家族及 4 种分布外语言上评测，安全得分显著优于最佳基线，同时保留通用能力、开销可忽略。