The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning
危险知识代理测量与遗忘效果评测。
核对原文署名 ↗文献署名
按原文作者姓名整理的已收录成果。机构与作者身份以具体文献为依据。
危险知识代理测量与遗忘效果评测。
核对原文署名 ↗自动化红队测试下的拒答稳健性。
核对原文署名 ↗测量专业病毒学问题中的知识与排障响应。
核对原文署名 ↗通过带行为标注的交互文本场景,研究奖励追求和伦理权衡。
核对原文署名 ↗