跳到正文
AGI Hunt· kalyan_kpl·· 3 小时前AI 评分46

论文提出概率安全裁判验证协议:11 次 RL 训练实验揭示有害输出集中于置信盲区

论文提出概率安全裁判验证协议:11 次实验中漏放有害输出集中在置信盲区

AI 导读

论文《Jev-as-a-Reward:验证强化学习中的概率安全裁判》提出训练前、训练中及每次裁判变更后重新验证的协议,并将高置信放行危害占比与危害数量分开度量。应用于两个版本的商用裁判 Jev 和一个开源 guard 分类器后,11 次训练中放行的有害输出均收缩且集中于置信盲区;二值化 Jev 在 Llama 上满足逃逸判据。

来源:AGI Hunt · agihunt.info