阿帕特研究 发布 DarkBench 数据集, 应用在 自然语言处理、模型评估 领域

阿帕特研究 本次发布的数据集 DarkBench, DarkBench是一个全面的语言模型暗模式检测基准，包含660个旨在激发六种暗模式的提示，这些暗模式包括品牌偏见、用户留存、奉承、拟人化、有害生成和偷偷摸摸。该数据集由阿帕特研究创建，旨在评估大型语言模型在与用户互动中可能展现的操纵行为。数据集通过人工编写提示和利用LLM自动生成新提示构建而成，可用于测试和评估不同语言模型在对抗性情境下暗模式的出现频率。

查看DarkBench

Dataset card 内容： 

Files and versions 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。