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
佛跳墙家庭版,你也能变大厨!
房产委托公证办理指南:异地操作流程与材料清单
定州古城探秘:千年古迹打卡攻略
乒乓球训练攻略:由简入繁的四个训练阶段
异地办理房产委托公证:流程费用详解及注意事项
羽毛球是“长寿运动” 但身体要求比你想得高!这4类人别打
全国三大球运动会夺冠,山东排球青训体系显成效
高原训练助力竞技体育:四大案例解析成功经验
王者荣耀:曹操教你轻松克制新英雄苍
王者荣耀S38赛季:曹操教你轻松克制新英雄苍
自然永续,秋冬穿搭的氛围感是咖色给的!
穿出自信,穿出风采:不同场合的着装指南
高血压防治指南:症状、测量与6大认知误区
机器学习驱动AI助手升级,Agentic AI将带来服务革新
雨雪将至,正阳县农技人员深入田间指导小麦管理

从1:7落后到13:12绝杀,江旻憓创造香港击剑新历史
情绪价值高,男人更爱?揭秘什么是情绪价值!
《山花烂漫时》:15位明星角色大反差,演绎感动与惊喜
性小众受尽社会压力?性小众定义及性小众群体的精神健康
《好东西》主演宋佳钟楚曦王菊最新动态揭秘
狂犬病高发季,狗狗咬人背后的心理成因揭秘
狗狗咬人?试试这些神器!
吉米的转变:如何训练狗狗不再咬人
康达医院教你正确处理狗狗咬伤
养狗新手必看:防狗咬五大绝招
河南南阳男童被狗咬伤,教你正确急救
成都东站周边住宿全攻略:6家高性价比酒店推荐
蔡康永教你聊天技巧:如何用细节打动人心
揭秘聊天套路背后的社交心理学
从雄浑到秀逸:中国石雕如来佛的艺术演变