计算机科学 > 密码学与安全
[提交于 2025年2月3日
]
标题: DeepSeek的黑暗深处:针对CoT启用模型安全对齐的微调攻击
标题: The dark deep side of DeepSeek: Fine-tuning attacks against the safety alignment of CoT-enabled models
摘要: 大规模语言模型通常在预训练阶段使用大量数据进行训练,这可能包括一些潜在有害的信息。 微调攻击可以通过提示模型揭示这些行为,导致生成有害内容。 在本文中,我们专注于研究基于思维链推理模型 DeepSeek 在受到微调攻击时的性能。 具体来说,我们探讨了微调如何操纵模型的输出,在检查思维链推理与对抗性输入之间的相互作用的同时,加剧其响应的有害性。 通过这项研究,我们旨在揭示启用思维链的模型对微调攻击的脆弱性及其对安全和伦理部署的影响。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.