会员服务
Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment
Arxiv
0+阅读 · 2月18日
Layer-wise Swapping for Generalizable Multilingual Safety
Arxiv
0+阅读 · 2月13日
The Devil Behind Moltbook: Anthropic Safety is Always Vanishing in Self-Evolving AI Societies
Arxiv
0+阅读 · 2月10日
The Devil Behind Moltbook: Anthropic Safety is Always Vanishing in Self-Evolving AI Societies
Arxiv
0+阅读 · 2月11日
Exploring Safety Alignment Evaluation of LLMs in Chinese Mental Health Dialogues via LLM-as-Judge
Arxiv
0+阅读 · 2月13日
SafeNeuron: Neuron-Level Safety Alignment for Large Language Models
Arxiv
0+阅读 · 2月12日
Mitigating the Safety-utility Trade-off in LLM Alignment via Adaptive Safe Context Learning
Arxiv
0+阅读 · 2月14日
RASA: Routing-Aware Safety Alignment for Mixture-of-Experts Models
Arxiv
0+阅读 · 2月4日
Layer-wise Swapping for Generalizable Multilingual Safety
Arxiv
0+阅读 · 1月30日
A2D: Any-Order, Any-Step Safety Alignment for Diffusion Language Models
Arxiv
0+阅读 · 2月3日
TriPlay-RL: Tri-Role Self-Play Reinforcement Learning for LLM Safety Alignment
Arxiv
0+阅读 · 1月30日
Jailbreaking LLMs via Calibration
Arxiv
0+阅读 · 1月31日
THINKSAFE: Self-Generated Safety Alignment for Reasoning Models
Arxiv
0+阅读 · 1月30日
The Unintended Trade-off of AI Alignment:Balancing Hallucination Mitigation and Safety in LLMs
Arxiv
0+阅读 · 1月30日
Can Editing LLMs Inject Harm?
Arxiv
0+阅读 · 1月14日
参考链接
微信扫码咨询专知VIP会员
Top