Alinhamento eficiente de segurança de modelos de linguagem por meio de traços latentes de personalidade

arXiv:2607.07918v1 Tipo de anúncio: novo Resumo: Sabe-se que os métodos atuais de segurança para grandes modelos de linguagem são vulneráveis a ataques adversariais, o que motiva a pesquisa por alternativas robustas. O Treinamento Adversarial Latente (LAT) está entre as defesas mais eficazes, mas pode degradar a utilidade e requer treinamento em grandes conjuntos de dados de prompts nocivos. Apresentamos o Alinhamento Latente de Personalidade (LPA), que substitui a recusa explícita de danos por treinamento adversarial em apenas 66 afirmações agnósticas a danos ext...