arXiv·· 13 天前AI 评分29
FORGE：面向生成式语言模型的验证门控行为修复
FORGE: Verification-Gated Behavioral Repair for Generative Language Models
AI 导读
FORGE 是一种针对生成式语言模型的验证门控行为修复方法，用于消除模型从预训练中继承的人口统计偏见与有害生成等不良行为。现有方案各有局限：基于梯度的微调缺乏逐实例保证且缺陷样本稀少时不稳定，模型编辑则假设的是显式知识替换而非行为纠正。
来源：arXiv · arxiv.org