This Is Your Doge, If It Please You: Exploring Deception and Robustness in Mixture of LLMs
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments 35 pages, 9 figures, 16 tables
AI 大模型
大模型对齐、安全、越狱、红队、提示注入和可信评测。
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments 35 pages, 9 figures, 16 tables
专题命中 安全评测 :trustworthy(abstract);分类 cs.AI、cs.LG
Journal ref Discovery Science 2024, Springer Nature
专题命中 安全评测 :trustworthy(abstract);分类 cs.CL、cs.AI
Comments NeurIPS 2024
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
专题命中 安全评测 :safety(abstract);分类 cs.AI、cs.LG
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.LG
Comments Accepted for publication at ICLR 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
Comments 10 Pages, Accepted to Findings of NAACL 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.LG
Comments ICLR 2025 Spotlight
专题命中 安全评测 :alignment(abstract);分类 cs.AI、cs.LG
Comments CHI 2025
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.LG
专题命中 安全评测 :trustworthy(abstract);分类 cs.CL、cs.AI
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.LG
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.LG
Comments NAACL 2025 Main
专题命中 安全评测 :trustworthy(abstract);分类 cs.AI、cs.LG
Comments Extended version of an identically-titled paper accepted at AAMAS 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
Journal ref NAACL 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
Journal ref COLING 2025 Industry Track
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments Artifacts: https://github.com/normster/RealGuardrails
专题命中 安全评测 :safety(abstract);分类 cs.CY、cs.LG
Comments Published in WWW 2025
专题命中 安全评测 :alignment(abstract);分类 cs.AI、cs.LG
Comments 54 pages, 7 figures
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments 18 pages, 10 figures,14 tables
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
专题命中 安全评测 :alignment(abstract);分类 cs.AI、cs.CY
专题命中 安全评测 :alignment(abstract);分类 cs.AI、cs.CY
Comments Main article 25 pages, Appendices from page 26
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
Comments accepted by IRCDL 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
专题命中 安全评测 :safety(abstract);分类 cs.AI、cs.LG
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.LG
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments Accepted to NAACL 2025
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
Comments 18 pages, 15 figures, 14 tables