arXiv · NLP· Sagnik Basu, Sayan Das, Somnath Banerjee, Animesh Mukherjee·· 4 小时前AI 评分42
SEDATE：大语言模型是否跨语言共享攻击性电路
SEDATE: Do Large Language Models Share an Aggression Circuit Across Languages?
AI 导读
研究人员提出免训练方法 SEDATE，采用“检测-编辑-验证”策略，通过定位并编辑负责攻击性的神经元来提升 AI 安全性。 该方法在 7 种语言和 4 个模型族上进行了评估，并在 4 种分布外语言及 4 个额外数据集上验证了鲁棒性。 结果显示，SEDATE 在保留通用能力且开销极小的情况下，安全得分显著优于最佳基线。
来源：arXiv · NLP · arxiv.org