arXiv 自然语言处理· Sagnik Basu, Sayan Das, Somnath Banerjee, Animesh Mukherjee·· 7 小时前AI 评分34
SEDATE：大语言模型在不同语言间是否共享攻击性回路？
SEDATE: Do Large Language Models Share an Aggression Circuit Across Languages?
AI 导读
研究人员提出免训练的跨语言安全干预方法 SEDATE，通过神经元检测、针对性编辑与输出验证提升大语言模型的安全性。该方法在 7 种语言、4 个模型族以及 4 种分布外语言和 4 个附加数据集上进行了评估。测试显示其在所有语言和模型上的安全得分均显著优于最佳基线，同时保留了模型通用能力且计算开销极低。
来源：arXiv 自然语言处理 · arxiv.org