Alineación de seguridad árabe como rechazo selectivo: Un estudio empírico de SFT, DPO y calibración de guardias
Resumen del corpus
Un estudio empírico evalúa cómo los modelos de lenguaje grandes árabes deben manejar el rechazo de indicaciones dañinas frente a indicaciones benignas o sensibles. Se compara el rendimiento de diferentes técnicas de ajuste fino (SFT y DPO) y guardias de inferencia para determinar el mejor punto de operación para la seguridad. Los resultados sugieren que la selección del punto de operación del modelo es clave para mejorar la seguridad.
Tags
Personas mencionadas
Noticia original