Robustez adversaria del direccionamiento de activación en Modelos de Lenguaje Grandes

Resumen del corpus

Se evaluó la robustez del direccionamiento de activación en Modelos de Lenguaje Grandes frente a perturbaciones adversarias en la entrada. Los resultados indican que la robustez direccional disminuye hasta un 64% y la confianza cae significativamente tras los ataques. Se concluye que la selección de capas es frágil y las estrategias actuales no son robustas para su implementación práctica.