ADTGuard: Адаптивная защита в режиме " глубина-времени &qt; для скрытых ошибок в крупных языковых моделях

arXiv: 261 036 65774v1 Annuales Type: New Habstrate: Major Language Models (LMS) может свободно реагировать на различные запросы пользователей, однако до завершения поколения поток может подвергнуть пользователей вредному контенту. Существующие ограждения сталкиваются с двумя ограничениями в этой области. Во-первых, послесрочная умеренность при реагировании или кусочки границ задерживают вмешательство, рискуя вредным воздействием в случае высвобождения содержимого до проверки. Во-вторых, даже при обнаружении на уровне символов контроль уровня реагирования не указывает, когда начинается вредное содержание, а показания с фиксированным покрытием могут пропустить соответствующие сигналы безопасности на других глубинах. Для устранения этих ограничений мы введем ADTGuard, который проверяет каждый символ перед выпуском, постепенно уточняет цели подготовки на уровне символов и корректирует выбор слоя к текущему префиксу. ADTGuard модели рискуют в течение всей глубины и времени через Динамику безопасности ДТУР (ДТУР), которая объединяет доказательства безопасности по слоям на каждом символе и использует его для управления аккумулятором риска