机构名称：
¥ 1.0
大型语言模型（LLMS）是强大的指导关注者。但是，许多开放式生成任务具有较大的解决方案空间，需要缩小以适合用户需求。llms朝着这种需求方向而言，对于与用户期望和目标保持一致的安全LLM系统至关重要。尽管LLM指导跟踪的持续改进，但此类增益可能不一定转化为可管道性。此断开连接激发了一个用于测量可引导性的原始框架。因此，我们提出了一个面向目标的，定量的可管道定义。我们的定义为em-pirical的引导探针的设计提供了信息，我们利用文本重写任务来衡量LLMS的转移能力。我们证明了最近的LLM是不可察的。我们将这种缺乏可行性归因于副作用：请求目标与无需LLM运动之间的相关性。因此，尽管LLM指导的进步前进，但仍有很大的空间可改善LLM的可识别性。
用大语言来测量可固定性...
主要关键词
相关文件推荐
