input-moderation

标签

#input-moderation

有害性传播动态：大型语言模型中对抗意图的逐层轨迹

arXiv cs.CL ↗ · 4天前缓存

该论文在大型语言模型中识别出有害性传播动态，并介绍了 Herald，一个轻量级的输入调节器，它利用跨层激活模式高效检测有害提示。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈