Corrección de curso: Alineación de Seguridad Utilizando Preferencias Sintéticas

Course-Correction: Safety Alignment Using Synthetic Preferences

July 23, 2024

Autores: Rongwu Xu, Yishuo Cai, Zhenhong Zhou, Renjie Gu, Haiqin Weng, Yan Liu, Tianwei Zhang, Wei Xu, Han Qiu

cs.AI

Resumen

El riesgo de contenido perjudicial generado por modelos de lenguaje grandes (LLMs, por sus siglas en inglés) se convierte en una preocupación crítica. Este artículo presenta un estudio sistemático sobre la evaluación y mejora de la capacidad de los LLMs para realizar la tarea de corrección de rumbo, es decir, el modelo puede alejarse de generar contenido perjudicial de forma autónoma. Para empezar, introducimos el banco de pruebas C^2-Eval para evaluación cuantitativa y analizamos 10 LLMs populares, revelando la variada competencia de los LLMs actuales ajustados para la seguridad en la corrección de rumbo. Para mejorar, proponemos ajustar finamente los LLMs con aprendizaje de preferencias, enfatizando la preferencia por la corrección oportuna de rumbo. Utilizando un proceso automatizado, creamos C^2-Syn, un conjunto de datos sintéticos con 750K preferencias emparejadas, para enseñar a los modelos el concepto de corrección oportuna de rumbo a través del aprendizaje de preferencias basado en datos. Experimentos con 2 LLMs, Llama2-Chat 7B y Qwen2 7B, muestran que nuestro método mejora de manera efectiva las habilidades de corrección de rumbo sin afectar el rendimiento general. Además, mejora eficazmente la seguridad de los LLMs, especialmente en la resistencia a los ataques de jailbreak.

English

The risk of harmful content generated by large language models (LLMs) becomes a critical concern. This paper presents a systematic study on assessing and improving LLMs' capability to perform the task of course-correction, \ie, the model can steer away from generating harmful content autonomously. To start with, we introduce the C^2-Eval benchmark for quantitative assessment and analyze 10 popular LLMs, revealing varying proficiency of current safety-tuned LLMs in course-correction. To improve, we propose fine-tuning LLMs with preference learning, emphasizing the preference for timely course-correction. Using an automated pipeline, we create C^2-Syn, a synthetic dataset with 750K pairwise preferences, to teach models the concept of timely course-correction through data-driven preference learning. Experiments on 2 LLMs, Llama2-Chat 7B and Qwen2 7B, show that our method effectively enhances course-correction skills without affecting general performance. Additionally, it effectively improves LLMs' safety, particularly in resisting jailbreak attacks.