阿拉伯语安全对齐:仅用拒绝样本SFT会退化为一律拒绝
热点事件持续更新
阿拉伯语安全对齐:仅用拒绝样本SFT会退化为一律拒绝
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Mohamad Zbib、Mohamad Bazzi、Ammar Mohanna 发表阿拉伯语安全对齐实证研究,在人工编写的 AraSafe 数据集上评测 5 个具备阿拉伯语能力的模型、共 130 次运行。结果显示,仅用拒绝样本做监督微调(SFT)会使模型退化为一律拒绝;而精选的混合 SFT 配置在良性提示拒绝率 B 为 14%–23% 时,可把有害提示拒绝率 H 提到 90%–93%。
AI 根据报道生成 · 1 小时前更新
最新进展11月18日 13:00
阿拉伯语安全对齐中的选择性拒绝:SFT、DPO 与 Guard 校准的实证研究报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI阿拉伯语安全对齐中的选择性拒绝:SFT、DPO 与 Guard 校准的实证研究
针对阿拉伯语大模型的安全对齐研究在 AraSafe 数据集上评测了 5 个模型共 130 次运行,发现仅用拒绝样本做 SFT 会退化为一律拒绝,而精选的混合 SFT 配置可在良性拒绝率 B 为 14%–23% 时把有害提示拒绝率 H 提到 90%–93%。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。