Anthropic 发布 AttaQ 数据集, 应用在 自然语言处理、模型安全性 领域

Anthropic 本次发布的数据集 AttaQ, 该数据集是一组独特的数据，包含了以问题的形式设计的对抗性示例，旨在诱导大型语言模型产生有害或不恰当的回应。此外，该数据集还包括了由人类精选示例合成的攻击性问题，并通过多种方法生成，以确保对模型防御的鲁棒性。该数据集的任务是评估大型语言模型在面对对抗性攻击时的脆弱性。

查看AttaQ

Dataset card 内容： 

Files and versions 内容： 

关于 Anthropic , Anthropic是一家位于美国加州的前沿人工智能初创企业。

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。