arXiv cs.AI / cs.LG 最新· Grigoriy Evseev·· 17 小时前AI 评分52
WRDO：对齐语言模型中的加权拒绝方向优化
WRDO: Weighted Refusal Direction Optimization in Aligned Language Models
AI 导读
论文提出 WRDO（加权拒绝方向优化），用学习到的聚合权重把逐提示词的拒绝方向合成为复合方向，替代把不同有害提示词统一取平均的 difference-of-means 做法。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。