تنظیم مرزهای ایمنی در مدلهای زبانی نرخ رد درخواستهای سالم را به ۴٪ رساند
پژوهشی جدید نشان میدهد رویکردهای کلی در ایمنی هوش مصنوعی باعث ایجاد مدلهای «کُند» میشود که حتی درخواستهای بیخطر را رد میکنند. با استفاده از روش «تقطیر خودکار آگاه از مرز»،…











