Correzione di Rotta: Allineamento della Sicurezza Utilizzando Preferenze Sintetiche
Course-Correction: Safety Alignment Using Synthetic Preferences
July 23, 2024
Autori: Rongwu Xu, Yishuo Cai, Zhenhong Zhou, Renjie Gu, Haiqin Weng, Yan Liu, Tianwei Zhang, Wei Xu, Han Qiu
cs.AI
Abstract
Il rischio di contenuti dannosi generati da modelli linguistici di grandi dimensioni (LLM) diventa una preoccupazione critica. Questo articolo presenta uno studio sistematico sulla valutazione e sul miglioramento della capacità degli LLM di eseguire il compito di correzione di rotta, \ie, il modello può evitare autonomamente di generare contenuti dannosi. Per iniziare, introduciamo il benchmark C^2-Eval per la valutazione quantitativa e analizziamo 10 LLM popolari, rivelando una variabile competenza degli attuali LLM ottimizzati per la sicurezza nella correzione di rotta. Per migliorare, proponiamo di affinare gli LLM con l'apprendimento delle preferenze, enfatizzando la preferenza per una correzione di rotta tempestiva. Utilizzando una pipeline automatizzata, creiamo C^2-Syn, un dataset sintetico con 750K preferenze a coppie, per insegnare ai modelli il concetto di correzione di rotta tempestiva attraverso l'apprendimento delle preferenze basato sui dati. Esperimenti su 2 LLM, Llama2-Chat 7B e Qwen2 7B, dimostrano che il nostro metodo migliora efficacemente le capacità di correzione di rotta senza influire sulle prestazioni generali. Inoltre, migliora efficacemente la sicurezza degli LLM, in particolare nella resistenza agli attacchi di 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.