Audited Reasoning Refinement: Fine-Tuning Language Models via LLM-Guided Step-Wise Evaluation and Correction
专题命中 安全评测 :alignment(abstract);DPO(abstract);分类 cs.CL
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 :alignment(abstract);DPO(abstract);分类 cs.CL
机构 * University of Oxford(牛津大学)
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
机构 * GeoGPT Team(GeoGPT团队) ; Zhejiang Lab(浙江实验室)
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.AI
Comments 19 pages, 10 figures, 10 tables
机构 * Department of Computer Science and Artificial Intelligence(计算机科学与人工智能系) ; Andalusian Institute of Data Science and Computational Intelligence(安达卢西亚数据科学与计算智能研究所) ; University of Granada(格拉纳达大学)
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.CL
Comments 27 pages, 9 tables and 2 figures
机构 * NYU(纽约大学) ; Independent Researcher(独立研究者)
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
专题命中 安全评测 :safety(abstract);AI safety(abstract);分类 cs.CY
Comments 17 pages, 1 figure, reproduced with permission from Springer Nature from Coordination, Organizations, Institutions, Norms, and Ethics for Governance of Multi-Agent Systems XVIII (COINE 2025)
机构 * Rochester Institute of Technology(罗切斯特技术学院) ; Gonzaga University(戈兹加大学)
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
机构 * National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China(新型软件技术国家重点实验室,南京大学,南京) ; Translation Services Center, Huawei Inc., Beijing 100085, China(翻译服务部,华为公司,北京)
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.CL
Comments The article has been accepted by Frontiers of Computer Science (FCS), with the DOI: {10.1007/s11704-025-50646-z}
机构 * Department of Mathematics ; Statistics, Oakland University, Rochester, MI 48309
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.LG
机构 * School of Computer Science, University of Hull(赫尔大学计算机科学学院) ; Faculty of Electrical Engineering, University of Sarajevo(萨拉热窝大学电气工程学院)
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
机构 * Singapore Management University Singapore ; Capital Normal University Beijing China ; Tianjin University Tianjin China ; Wuhan University China ; CSIRO's Data61 \& Australian National University Australia ; Nanyang Technological University Singapore ; Singapore Management University ; Capital Normal University ; Tianjin University ; Wuhan University ; CSIRO's Data61 \& Australian National University ; Nanyang Technological University
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
机构 * McGill University(麦吉尔大学) ; Mila - Quebec AI Institute(魁北克AI研究所) ; Statistics Canada(加拿大统计局)
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.CL
Comments Prepared for conference submission
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.AI
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.LG
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.AI
机构 * Carnegie Mellon University School of Computer Science(卡内基梅隆大学计算机科学学院)
专题命中 安全评测 :safety(abstract);trustworthy(abstract);分类 cs.AI
机构 * University of Kairouan(卡鲁安大学) ; SMART Lab, University of Tunis(图纳大学SMART实验室) ; University of Sousse(索斯大学) ; Riadi Lab, Compus Manouba(曼努巴大学里亚迪实验室) ; University of Jandouba(贾杜巴大学)
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.AI
机构 * The Polytechnic School, Ira A. Fulton Schools of Engineering, Arizona State University(亚利桑那州立大学工程学院Polytechnic学院) ; School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University(亚利桑那州立大学工程学院制造系统与网络学院)
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.AI
机构 * eSapiens Team(eSapiens团队)
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.AI
机构 * IBM Research Europe(IBM欧洲研究院)
专题命中 安全评测 :safety(abstract);AI safety(abstract);分类 cs.CL
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.CY
Journal ref IAMCR 2025 Conference
机构 * Howard University(霍华德大学) ; LIACS, Leiden University(莱顿大学LIACS) ; Genaios(基因奥斯) ; CENTAI Institute(CENTAI研究院)
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI、cs.CY
Comments Accepted at ACL WOAH 2025
机构 * Microsoft Research Asia(微软亚洲研究院) ; Fudan University(复旦大学) ; Tsinghua University(清华大学) ; The University of Chicago(芝加哥大学) ; Renmin University of China(中国人民大学) ; William & Mary(威廉与玛丽大学)
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.AI
机构 * University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
专题命中 安全评测 :safety(abstract);AI safety(abstract);分类 cs.AI
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.CY
Journal ref Proceedings of the WM2025 Conference, March 9-13, 2025, Phoenix, Arizona, USA
专题命中 安全评测 :alignment(abstract);safety(abstract);分类 cs.AI
机构 * Singapore Management University(新加坡管理大学) ; The University of Melbourne(墨尔本大学) ; Fudan University(复旦大学)
专题命中 安全评测 :safety(abstract);AI safety(abstract);分类 cs.AI
Comments 22 pages
专题命中 安全评测 :safety(abstract);AI safety(abstract);分类 cs.CY
Comments arXiv admin comment: This version has been removed by arXiv administrators as the submitter did not have the rights to agree to the license at the time of submission
机构 * Shenzhen People’s Hospital(深圳人民医院) ; The Chinese University of Hong Kong(香港中文大学)
专题命中 安全评测 :alignment(abstract);trustworthy(abstract);分类 cs.CL
专题命中 安全评测 :prompt injection(abstract);harmlessness(abstract);分类 cs.LG
Comments Project Page: https://ai.zjuicsr.cn/firewall