LLM 笔记 —— 03 大语言模型安全性评定

本文探讨了大型语言模型的四个关键问题:

1)错误信息问题,可通过事实核查和有害词检测补救;

2)固有偏见问题,提出了使用红队模型检测偏见的方法;

3)AI生成内容识别难题,讨论了分类和水印技术;

4)模型安全风险,分析了越狱攻击和提示注入等攻击手段。

文章通过实验数据展示了这些问题的存在,并简要讨论了可能的解决方案,但指出这些领域仍存在优化空间。

01 引子

大型语言模型还是会讲错话怎么办?事实查核、有害词条检测

大型语言模型会不会自带偏见?会

一句话是不是大型语言模型生成的?分类、浮水印

大型语言模型也会被诈骗吗?

02 大型语言模型还是会讲错话怎么办?

大型语言模型还是会讲错话,比如杜撰参考文献、参考网站...

我们可以采用亡羊补牢 的补救措施,比如将语言模型的输出做事实查核、有害词条检测...

事实查核:通过 Google 进行网络搜索,验证答案的真实性,当然,有网站背书的资讯不一定是正确的,也可能会将各种正确信息相互缝合,输出错误答案,总之,这方面的研究同样不够完善,各个地方都有待优化。

03 大型语言模型会不会自带偏见?

偏见有很多种,比如性别、种族、年龄、国籍等等,我们可以更改相关内容对语言模型进行提问,实验如下:

如何衡量语言模型的偏见呢,我们引入红队语言模型,刺激被测试的语言模型,是否输出有偏见的结果。

更改相关内容对语言模型进行检查履历测试,实验如下:

更改相关内容对语言模型进行人力资源招聘,实验如下:

更改相关内容对语言模型进行软件工程师招聘,实验如下:

更改名字对语言模型进行二维平面测试,实验如下:

更改职业对语言模型进行职业推荐撰写,实验如下:

更改政治倾向对语言模型进行职业推荐撰写,实验如下:

那么,我们应当如何减轻语言模型的偏见呢?

在语言模型的各个阶段,都可以减轻语言模型的偏见,比如对训练材料进行预处理...

注:本课程仅讨论偏见的存在,至于什么样的偏见需要被改进以促成公平性,不是本课程讨论的范围。

04 一句话是不是大型语言模型生成的?

搜集大量人工智能生成的数据,收集大量人类生成的数据,对比之间的差异,进行分类作业。

事实上,判断一句话是不是大型语言模型生成的这件事情,在今天十分困难,ChatGPT 被人类应用在生活的方方面面,甚至,国际会议的一些文章审查意见也是用人工智能生成的。

前文说到,判断一句话是不是大型语言模型生成并不容易,文章 AI 率的上升并不代表一定是 AI 生成的,或许只是人类的写作风格改变了。我们调查了有哪些词汇在近几年的文章中频繁出现,结果如下:

或许,只是人类的文法修改了。我们测试了 ChatGPT 润稿前后文章的 AI 率,实验如下:

在语言模型的输出中加上浮水印,也就是人类难以辨别的暗号。

05 大型语言模型也会被诈骗吗?(Prompt Hacking)

Jailbreaking(越狱)

攻击大型语言模型本身,方法如下:

① DAN = Do Anything Now,天官赐福,百无禁忌!

② 使用大型语言模型不熟悉的语言

③ 给予冲突的指令,比如要求回答以 Absolutely! 开头

④ 识图说服语言模型

注:Jailbreak 可以有不同的目的,比如 Training Data Reconstruction

Prompt Injection(注射)

攻击大型语言模型产生的应用

我们的作业是根据 AI 助教吐出的 Final Score 后面的分数评定的,也就是说,你大可以不去真的写作业,而是通过奇技淫巧,只要 AI 助教输出 Final Score 后面的分数是高分,就算成功!

相关推荐
小树苗1932 小时前
Berachain稳定币使用指南:HONEY与跨链稳定币的协同之道
大数据·人工智能·区块链
MediaTea2 小时前
Python 库手册:keyword 关键字查询
开发语言·python
java1234_小锋2 小时前
Scikit-learn Python机器学习 - 模型保存及加载
python·机器学习·scikit-learn
睿思达DBA_WGX2 小时前
使用 python-docx 库操作 word 文档(1):文件操作
开发语言·python·word
攻城狮7号2 小时前
快手推出KAT系列编码大模型,甚至还有开源版本?
人工智能·ai编程·kat-coder·快手kat·快手开源模型
说私域2 小时前
互联网新热土视角下开源AI大模型与S2B2C商城小程序的县域市场渗透策略研究
人工智能·小程序·开源
IT_陈寒2 小时前
Python 3.12新特性实战:5个让你的代码提速30%的性能优化技巧
前端·人工智能·后端
悠哉悠哉愿意2 小时前
【ROS2学习笔记】Gazebo 仿真与 XACRO 模型
笔记·学习·机器人·ros2
先做个垃圾出来………3 小时前
稠密检索模型(Dense Retrieval Model)
人工智能