Risk and Response in Large Language Models: Evaluating Key Threat Categories

本文是LLM系列文章，针对《Risk and Response in Large Language Models: Evaluating Key Threat
Categories》的翻译。

摘要

随着大型语言模型在各种应用中越来越普遍，本文探讨了风险评估这一紧迫问题。我们专注于奖励模型如何感知和分类不同类型的风险，深入研究基于偏好的训练数据的主观性质带来的挑战。奖励模型旨在微调预训练的LLM，使其与人类价值观相一致。通过利用人类红团队数据集，我们分析了主要的风险类别，包括信息危害、恶意使用和歧视/仇恨内容。我们的研究结果表明，LLM倾向于认为信息危害的危害较小，这一发现得到了专门开发的回归模型的证实。此外，我们的分析表明，与其他风险相比，LLM对信息危害的反应不那么严格。该研究进一步揭示了LLM在信息危害场景中易受越狱攻击的重大漏洞，强调了LLM风险评估中的一个关键安全问题，并强调了改进人工智能安全措施的必要性。

1 引言

2 相关工作

3 总体设置

4 RQ1：LLM风险的危害性

5 RQ2：动作类别分析

6 RQ3：越狱功效

7 结论

随着LLM在下游应用中的应用越来越多，了解与LLM相关的风险以及奖励模型如何识别这些风险变得更加紧迫。奖励模型对预训练模型的行为进行微调，以内化人类价值观。然而，偏好的主观性质使得管理确定的训练数据具有挑战性。在本文中，我们揭示了一个这样的挑战，即LLM的危害与奖励模型对风险的感知有关。
我们首先调查了奖励分数如何随着LL