Bochuan Cao

研究によると、WordGame攻撃が明らかになり、LLMの安全対策の弱点を突いているんだって。

新しい方法で言語モデルの出力を理解するのが上手くなった。

言語モデルにおける自己修正プロセスとその影響を探る。

新しい方法で、クリーンデータやモデルの変更なしにバックドア攻撃ができるようになった。