跳转到内容

Jailbroken: How Does LLM Safety Training Fail?

作者: Alexander Wei, Nika Haghtalab, Jacob Steinhardt (2023)

arXiv: 2307.02483

领域

安全

TLDR(中文)

系统化分类越狱手段(在分布外、目标冲突),并解释为什么 RLHF 难以根治。是越狱研究"taxonomy"参考资料。

TLDR (English)

Systematically classifies jailbreak methods (out-of-distribution, goal conflict) and explains why RLHF struggles to eradicate them. Reference material for jailbreak research "taxonomy".

出现在这些文章里

同被引用

这些论文与本文出现在同一篇文章中

相关论文

同一领域的其他论文