AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签:TrajSafe×
6月16日
20:46
AITOP6月16日 20:46
600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI
6月12日
12:57
AITOP6月12日 12:57
Claude代码里藏了个20260612,18个月后的AI记忆革命已经开始倒计时
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
6月2日
12:04
12:04arXiv cs.LG@Ruohao Guo, Wei Xu, Alan Ritter
大型语言模型在作为助手的同时,也可能被恶意用户利用,通过多轮交互放大危害,包括让新手生成专业有害内容,以及规模化执行有害操作。现有研究常忽略多轮对话中的危害累积。为此,研究者提出了HarmAmp基准,涵盖12类风险场景,并设计了TrajSafe主动监控器,通过探测用户真实意图和引导模型安全完成来干预有害轨迹。实验表明,TrajSafe能显著降低多轮交互中的危害,同时保持低过度拒绝率和模型通用能力。这项工作为缓解LLM交互中的细微安全风险提供了新范式。
论文LLM安全多轮对话危害放大HarmAmpTrajSafe

推荐理由:多轮对话中的危害放大是LLM安全部署的盲区,做AI安全或内容审核的团队可以关注HarmAmp基准和TrajSafe方案,直接用于评估和加固自己的模型。
原文
精选全部日报登录