Correction de trajectoire : Alignement de la sécurité par préférences synthétiques

Course-Correction: Safety Alignment Using Synthetic Preferences

July 23, 2024

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

cs.AI

Résumé

Le risque de contenu nuisible généré par les grands modèles de langage (LLMs) devient une préoccupation majeure. Cet article présente une étude systématique sur l'évaluation et l'amélioration de la capacité des LLMs à effectuer la tâche de correction de trajectoire, c'est-à-dire la capacité du modèle à éviter de générer du contenu nuisible de manière autonome. Pour commencer, nous introduisons le benchmark C^2-Eval pour une évaluation quantitative et analysons 10 LLMs populaires, révélant des niveaux de compétence variables des LLMs actuels optimisés pour la sécurité en matière de correction de trajectoire. Pour améliorer cette capacité, nous proposons de fine-tuner les LLMs avec un apprentissage par préférence, en mettant l'accent sur la préférence pour une correction de trajectoire opportune. En utilisant un pipeline automatisé, nous créons C^2-Syn, un ensemble de données synthétiques contenant 750 000 paires de préférences, pour enseigner aux modèles le concept de correction de trajectoire opportune à travers un apprentissage par préférence basé sur les données. Les expériences menées sur deux LLMs, Llama2-Chat 7B et Qwen2 7B, montrent que notre méthode améliore efficacement les compétences en correction de trajectoire sans affecter les performances générales. De plus, elle améliore significativement la sécurité des LLMs, en particulier en résistant aux attaques 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.