英国人工智能安全研究所 发布 AgentHarm 数据集, 应用在 人工智能安全、大型语言模型 领域

英国人工智能安全研究所 本次发布的数据集 AgentHarm, AgentHarm是由英国人工智能安全研究所创建的一个用于评估大型语言模型（LLM）代理潜在危害的基准数据集。该数据集包含440个任务，涵盖11种危害类别，如欺诈、网络犯罪和骚扰。数据集通过合成工具和细粒度评分标准来模拟多步骤任务，旨在评估模型在面对恶意请求时的响应和能力。AgentHarm的创建旨在解决LLM代理在执行多步骤任务时可能带来的安全风险，特别是在模型被恶意利用的情况下。

查看AgentHarm

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。