Artículos de investigación en IA seleccionados diariamente con traducciones
Los modelos Generative Pre-trained Transformer (GPT) han mostrado avances emocionantes en sus capacidades, captando el interés tanto de profesionales como del público en general. Sin embargo, aunque la literatura sobre la confiabilidad de los modelos GPT sigue siendo limitada, los profesionales han propuesto emplear modelos GPT avanzados para aplicaciones sensibles en áreas como la salud y las finanzas, donde los errores pueden ser costosos. Con este fin, este trabajo propone una evaluación integral de la confiabilidad de los modelos de lenguaje grandes, con un enfoque en GPT-4 y GPT-3.5, considerando diversas perspectivas, incluyendo toxicidad, sesgos estereotípicos, robustez ante adversarios, robustez fuera de distribución, robustez ante demostraciones adversas, privacidad, ética de las máquinas y equidad. Basándonos en nuestras evaluaciones, descubrimos vulnerabilidades previamente no documentadas frente a amenazas a la confiabilidad. Por ejemplo, encontramos que los modelos GPT pueden ser fácilmente engañados para generar salidas tóxicas y sesgadas, y filtrar información privada tanto en los datos de entrenamiento como en el historial de conversaciones. También observamos que, aunque GPT-4 suele ser más confiable que GPT-3.5 en pruebas estándar, GPT-4 es más vulnerable ante intentos de "jailbreaking" o instrucciones engañosas de los usuarios, posiblemente porque GPT-4 sigue las instrucciones (erróneas) con mayor precisión. Nuestro trabajo ilustra una evaluación exhaustiva de la confiabilidad de los modelos GPT y arroja luz sobre las brechas en su confiabilidad. Nuestro punto de referencia está disponible públicamente en https://decodingtrust.github.io/.