会员服务
CHILLGuard: Towards Fine-Grained Chinese LLM Safety Guardrail with Scalable Data Construction and Model-aware Preference Alignment
Arxiv
0+阅读 · 6月13日
Quality-Diversity Evolution for Discovering Diverse Vulnerabilities in LLM Safety
Arxiv
0+阅读 · 5月30日
TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering
Arxiv
0+阅读 · 6月2日
GLiGuard: Schema-Conditioned Classification for LLM Safeguard
Arxiv
0+阅读 · 5月8日
Benchmarking the Safety of Large Language Models for Robotic Health Attendant Control
Arxiv
0+阅读 · 4月29日
FinSafetyBench: Evaluating LLM Safety in Real-World Financial Scenarios
Arxiv
0+阅读 · 5月1日
SecureBreak -- A dataset towards safe and secure models
Arxiv
0+阅读 · 3月23日
Kill-Chain Canaries: Stage-Level Tracking of Prompt Injection Across Attack Surfaces and Model Safety Tiers
Arxiv
0+阅读 · 4月3日
IndicSafe: A Benchmark for Evaluating Multilingual LLM Safety in South Asia
Arxiv
0+阅读 · 3月18日
Safety at Scale: A Comprehensive Survey of Large Model and Agent Safety
Arxiv
0+阅读 · 4月14日
Patching LLM Like Software: A Lightweight Method for Improving Safety Policy in Large Language Models
Arxiv
0+阅读 · 4月27日
Efficient LLM Safety Evaluation through Multi-Agent Debate
Efficient LLM Safety Evaluation through Multi-Agent Debate
Arxiv
0+阅读 · 3月18日
Efficient LLM Safety Evaluation through Multi-Agent Debate
Arxiv
0+阅读 · 3月17日
BarrierSteer: LLM Safety via Learning Barrier Steering
Arxiv
0+阅读 · 2月23日
Accidental Vulnerability: Factors in Fine-Tuning that Shift Model Safeguards
Arxiv
0+阅读 · 2月22日
参考链接
微信扫码咨询专知VIP会员
Top