Qwen 3.8 27B умеет читать веса моделей
· 1 мин чтения
Метод SimpleLoRIF находит в обучающих данных примеры, которые тихо разрушают безопасность модели. То есть можно отфильтровать вредный контент, который не…
1 мин чтенияРедакция «Нейродвиж»Источник: Hugging Face Papers
Метод SimpleLoRIF находит в обучающих данных примеры, которые тихо разрушают безопасность модели. То есть можно отфильтровать вредный контент, который не выглядит опасным для обычных фильтров. На SafeTulu (Tulu 3 без 20% таких примеров) успех атак GCG снизился до 22%.
Это короткий пересказ своими словами, а не перевод. Текст подготовлен с помощью ИИ и сверен с источником. Нашли ошибку?
· 1 мин чтения
· 1 мин чтения
· 1 мин чтения