会员服务
NeST: Neuron Selective Tuning for LLM Safety
Arxiv
0+阅读 · 2月18日
NESSiE: The Necessary Safety Benchmark -- Identifying Errors that should not Exist
Arxiv
0+阅读 · 2月18日
Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment
Arxiv
0+阅读 · 2月18日
SafeCOMM: A Study on Safety Degradation in Fine-Tuned Telecom Large Language Models
Arxiv
0+阅读 · 2月6日
DeepSight: An All-in-One LM Safety Toolkit
Arxiv
0+阅读 · 2月12日
Stop Testing Attacks, Start Diagnosing Defenses: The Four-Checkpoint Framework Reveals Where LLM Safety Breaks
Arxiv
0+阅读 · 2月10日
SecureGate: Learning When to Reveal PII Safely via Token-Gated Dual-Adapters for Federated LLMs
Arxiv
0+阅读 · 2月13日
TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering
Arxiv
0+阅读 · 2月6日
The Rogue Scalpel: Activation Steering Compromises LLM Safety
Arxiv
0+阅读 · 2月15日
Evaluating LLM Safety Under Repeated Inference via Accelerated Prompt Stress Testing
Arxiv
0+阅读 · 2月12日
Trust The Typical
Arxiv
0+阅读 · 2月4日
Representation-Aware Unlearning via Activation Signatures: From Suppression to Knowledge-Signature Erasure
Arxiv
0+阅读 · 2月4日
RACA: Representation-Aware Coverage Criteria for LLM Safety Testing
Arxiv
0+阅读 · 2月2日
TriPlay-RL: Tri-Role Self-Play Reinforcement Learning for LLM Safety Alignment
Arxiv
0+阅读 · 1月30日
Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models
Arxiv
0+阅读 · 2月3日
参考链接
微信扫码咨询专知VIP会员
Top