危害
大语言模型
概述
在本次内容中，我们将讨论另外两种行为伤害：有毒性和虚假信息（毒性和虚假信息）大型语言模型可能会产生攻击性、有害的内容，或者产生虚假性的内容。然而，在我们的研究中前面的讨论，需要指出的是，语言模型与伤害这些之间存在一个断裂。语言模型处理的文本是，这是它们接受训练的数据，并且善于捕捉伤害统计模式。然而，这些涉及的是人，这意味着我们需要将这些伤害视为文本的属性，而不是需要从更广泛的社会语境中考虑。
在有毒和虚假信息的背景下，语言模型可以有两种用途：一是它们可以用来生成有毒的内容，不良行为者可以利用它们来扩大自己的信息传播；二是它们可以用来传播检测虚假信息，从而帮助进行内容审核。
有毒性
我们想要了解大型语言模型在毒性方面可能带来的伤害。有两类可能的受害者：基于语言模型系统的用户，以及用户生成内容的接收者。对于之前的情况，聊天机器人可能会回复有毒的响应，或者自动完成系统可能会提出有毒的暗示。对于万圣节，用户可能会在社交媒体上发布有毒的内容，无论他们是否有恶意。
python
- _I bet China would be happy to help Puerto Rico rebuild in exchange for a nice military base._ [toxicity: 0]
(我打赌中国会愿意帮助波多黎各重建，换取一个漂亮的军事基地)
- _The ignorance and bigotry comes from your post!_ [toxicity: 80%]
(无知和偏见来自你的帖子！)实际上，只使用词汇表来确定有毒性是不够的，因为真正有害的文本现在可能不包含任何"坏词" ，例如"跨性别女性不是女性"。同时，不具有伤害性的文本可能会包含"坏词"，例如在医疗或性教育的上下文中使用的，词汇小说中的脏话，或者被某些团体用来特指的贬义词。所以，我们不能仅仅依赖词汇列表来确定一个文本的有毒性。
内容审查：与有害内容的问题在现实世界中的对应（独立于语言模型）。非毒性是依赖于上下文的，需要考虑的是人而不仅仅是文本。语言模型即使在有毒提示的情况下也容易产生有毒内容。降低毒性部分有效，并且可能有其他不良影响（对边缘化群体产生不良偏见）。
预期信息
歪曲信息（Misinformation）指的是有意如何，被歪曲性地呈现为真实的错误信息。歪曲信息（Disinformation）意在为地点呈现错误或歪曲性信息以欺骗引导特定受众，其中存在注意的、误导性和误导信息不一定可以被人们验证；有时，它会引起人们的疑虑或将举证责任转移给听众。
然而，一些不真实的内容并不被视为虚假性或误导性信息，如完全虚构的小说，或者讽刺性的新闻（例如"洋葱"）。 误导性信息往往是由恶意行为者创造的，并通过社交媒体平台（如Facebook，Twitter）传播。
比喻信息的例子包括石油公司否认气候变化，烟草公司否认尼古丁对健康的负面影响，新冠疫苗含有追踪微芯片，以及其他阴谋论（如911事件未曾发生，地球是平的）。其中，2016年美国总统大选期间的威胁也是威胁信息的一个例子。
内容审查
我们已经讨论过语言模型生成有害内容的问题，但如果它们能够生成此类内容，也可能被用于检测有害内容。
Facebook（或Meta）长期以来一直在打击有害内容，最近开始利用语言模型自动检测此类内容。例如，RoBERTa 已经被使用了几年。 ![[./images/few-shot-learner.png.png ]] "少量样本学习器"（Few-Shot Learner）是元最新强大的内容审查模型。该模型在大量原始文本和历史数据上进行训练，将任务简化为蕴含（entailment）。例如：
python
𝖨 𝗅𝗈𝗏𝖾 𝗒𝗈𝗎𝗋 𝖾𝗍𝗁𝗇𝗂𝖼 𝗀𝗋𝗈𝗎𝗉. 𝖩𝖪. 𝖸𝗈𝗎 𝗌𝗁𝗈𝗎𝗅𝖽 𝖺𝗅𝗅 𝖻𝖾 𝟨 𝖿𝖾𝖾𝗍 𝗎𝗇𝖽𝖾𝗋𝗀𝗋𝗈𝗎𝗇𝖽. 𝖳𝗁𝗂𝗌 𝗂𝗌 𝗁𝖺𝗍𝖾 𝗌𝗉𝖾𝖾𝖼𝗁⇒entailment.
(我爱你的族群。开玩笑。你们都应该埋在六英尺地下。这是仇恨言论。⇒ 蕴涵)