上海交大团队研发大模型红队评测框架,能用于提醒大模型的滥用风险
创作时间:
作者:
@小白创作中心
上海交大团队研发大模型红队评测框架,能用于提醒大模型的滥用风险
引用
1
来源
1.
https://finance.sina.cn/tech/2024-04-04/detail-inaqssyq0620223.d.html
随着大型语言模型生成能力的增强,它们被滥用的风险和潜在危害也越来越大,例如隐私泄漏、输出有害或偏见性内容等。为了限制模型的有害行为,许多安全对齐技术被陆续提出。然而,这些技术主要基于自然语言数据进行训练,对于输入和输出均为自然语言的情况表现良好。但是,这些安全行为可能无法泛化到新颖的使用场景,比如无法泛化到输入和输出均为非自然语言的情况。
在近期一项研究中,一支国内团队探索了大型语言模型在远离安全训练数据的情况下,其安全对齐面临的泛化挑战。研究中,他们选择代码作为研究对象。因为在当前主流的大型语言模型中,代码被广泛用作训练数据,并且代码与自然语言存在着显著差异。
研究期间,他们提出了一款自动化代码红队评测框架——CodeAttack,该框架能将“文本生成任务”建模为“代码生成任务”,借此评估模型在生成代码时的安全行为。
具体来说,CodeAttack 包括三个模块:
- 输入编码:将自然语言形式的输入,编码为数据结构,比如堆栈或队列,借此生成语义上等价、但是数据分布上存在显著差异的输入。
- 任务理解:即设计一个 decode 函数,使大型语言模型能从第一步得到的结构化输入中提取目标任务。
- 输出规范:引导大型语言模型把对于任务的回答填入数据结构中,以此作为代码程序的输出返回。
(来源:arXiv)
目前,他们正在尝试通过设计安全提示词来激发大模型的安全行为。此外,课题组也正在尝试解释 CodeAttack 成功的原因,以启发更多人开展安全对齐的研究。
参考资料
- Daniil A. Boiko, Robert MacKnight, and Gabe Gomes. 2023. Emergent autonomous scientific research capabilities of large language models. arXiv, abs/2304.05332.
- Zheng Qinkai, Xia Xiao, Zou Xu, Dong Yuxiao, Wang Shan, Xue Yufei, Shen Lei, Wang Zihan, Wang Andi, Li Yang, Su Teng, Yang Zhilin, and Tang Jie. 2023. Codegeex: A pre-trained model for code generation with multilingual benchmarking on humaneval-x. In Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD ’23, page 5673–5684, New York, NY, USA. Association for Computing Machinery.
- Nicholas Carlini, Florian Tramèr, Eric Wallace, Matthew Jagielski, Ariel Herbert-Voss, Katherine Lee, Adam Roberts, Tom Brown, Dawn Song, Úlfar Erlingsson, Alina Oprea, and Colin Raffel. 2021. Ex- tracting training data from large language models. In 30th USENIX Security Symposium(USENIX Security 21), pages 2633–2650. USENIX Association.
- Andy Zou, Zifan Wang, J. Zico Kolter, and Matt Fredrikson. 2023. Universal and transferable adver- sarial attacks on aligned language models. arXiv, abs/2307.15043.
- Long Ouyang, Jeffrey Wu, Xu Jiang, Diogo Almeida, Carroll Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, and et al. 2022. Training language models to fol- low instructions with human feedback. arXiv, abs/2203.02155.
- Yuntao Bai, Andy Jones, Kamal Ndousse, Amanda Askell, Anna Chen, Nova DasSarma, Dawn Drain, Stanislav Fort, Deep Ganguli, Tom Henighan, Nicholas Joseph, Saurav Kadavath, Jackson Kernion, Tom Conerly, Sheer El-Showk, Nelson Elhage, Zac Hatfield-Dodds, Danny Hernandez, Tristan Hume, Scott Johnston, Shauna Kravec, Liane Lovitt, Neel Nanda, Catherine Olsson, Dario Amodei, Tom Brown, Jack Clark, Sam McCandlish, Chris Olah, Ben Mann, and Jared Kaplan. 2022a. Training a help- ful and harmless assistant with reinforcement learn- ing from human feedback. arXiv, abs/2204.05862.
- Yuntao Bai, Saurav Kadavath, Sandipan Kundu, Amanda Askell, Jackson Kernion, Andy Jones, Anna Chen, and Anna Goldie et al. 2022b. Constitutional ai: Harmlessness from ai feedback. arXiv.
- Deep Ganguli, Liane Lovitt, Jackson Kernion, Amanda Askell, Yuntao Bai, Saurav Kadavath, Ben Mann, Ethan Perez, Nicholas Schiefer, Kamal Ndousse, and et al. 2022. Red teaming language models to re- duce harms: Methods, scaling behaviors, and lessons learned. arXiv,abs/2209.07858.
- OpenAI. 2024. GPT-4 technical report. https://arXiv.org/abs/2303.08774
- Youliang Yuan, Wenxiang Jiao, Wenxuan Wang, Jen tse Huang, Pinjia He, Shuming Shi, and Zhaopeng Tu. 2024. GPT-4 is too smart to be safe: Stealthy chat with LLMs via cipher. In The Twelfth International Conference on Learning Representations.
- Alexander Wei, Nika Haghtalab, and Jacob Steinhardt. 2023. Jailbroken: How does LLM safety training fail? In Neural Information Processing Systems.
- Hugo Touvron, Louis Martin, Kevin Stone, Peter Al- bert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, and et al. 2023. Llama 2: Open foundation and fine-tuned chat models. arXiv, abs/2307.09288.
- Anthropic. 2023. Model card and evaluations for claude models. https://www-files.anthropic. com/production/images/Model-Card-Claude-2. pdf.
- OpenAI. 2023. https://openai.com/chatgpt.
热门推荐
哪吒新作来袭:从魔童到重生,揭秘哪吒性格的演变之路
哪吒性格大揭秘:MBTI视角下的成长寓言
《哪吒之魔童降世》:多面性格塑造的成功秘诀
解码韦氏智力量表:分数背后的能力图谱
斯坦福-比奈智力量表:教育界的智商神器?
德国智商协会推荐:用瑞文测试规划职业
斯坦福-比奈智力量表:智商测试的权威标准
《流浪地球2》特效揭秘:6000个镜头背后的中国科幻崛起
2025年春节档:观影热潮如何影响社会氛围?
《哪吒之魔童闹海》:七色宝莲重塑命运之旅
周末打卡杭州灵隐飞来峰,购票攻略大揭秘!
《黑神话:悟空》带火飞来峰,45元门票引发热议
疫情下如何选择美国访客医疗保险?
美国旅行保险,你真的了解吗?
宋飞再掌春晚语言类节目,从争议到创新的突破之路
银发族奔向“诗和远方”,文旅业如何接招?
龙门石窟:8大拍摄点位详解+专业摄影技巧,带你拍出震撼大片
探秘龙门石窟:洛阳的皇家艺术宝库
秋冬打卡洛阳:从龙门石窟到明堂天堂
灵隐寺烧头香攻略:200元门票怎么买?交通怎么走?
灵隐寺明年起每年免费开放12天!
深中通道观日出攻略:中山翠亨新区马鞍岛最佳打卡点详解
深中通道马鞍岛:湾区最美日出打卡地
夏裕医生:喝完酒血压会下降?高血压到底能不能饮酒?
退休后再创业,70后卷起来了
洛阳老君山:打卡人间盛世颜
冬日打卡:洛阳牡丹与龙门石窟探秘
长沙春节攻略 | 来望城!送春联、趣阅读、赏花灯……新春氛围浓度爆表!
庙会热闹迎春节 非遗多彩巧贺春
海南岛:从古丝路重要节点到现代旅游胜地