Bochuan Cao

Un estudio revela el ataque WordGame, que explota debilidades en las medidas de seguridad de los LLM.

Un nuevo método mejora la comprensión de los resultados de los modelos de lenguaje.

Explorando los procesos de autocorrección en los modelos de lenguaje y sus efectos.

Nuevo método permite ataques de backdoor sin necesidad de datos limpios o cambios en el modelo.