Коррекция курса: выравнивание безопасности с использованием синтетических предпочтений.

Course-Correction: Safety Alignment Using Synthetic Preferences

July 23, 2024

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

cs.AI

Аннотация

Риск возникновения вредного контента, создаваемого большими языковыми моделями (LLM), становится критической проблемой. В данной статье представлено систематическое исследование оценки и улучшения способности LLM выполнять задачу коррекции курса, то есть модель может самостоятельно избегать создания вредного контента. Для начала мы представляем бенчмарк C^2-Eval для количественной оценки и анализируем 10 популярных LLM, выявляя различную компетентность текущих LLM, настроенных на безопасность, в коррекции курса. Для улучшения мы предлагаем донастройку LLM с использованием обучения предпочтениям, акцентируя внимание на предпочтение своевременной коррекции курса. С помощью автоматизированного конвейера мы создаем C^2-Syn, синтетический набор данных с 750 тыс. парами предпочтений, чтобы обучить модели концепции своевременной коррекции курса через обучение предпочтениям на основе данных. Эксперименты на 2 LLM, Llama2-Chat 7B и Qwen2 7B, показывают, что наш метод эффективно улучшает навыки коррекции курса без влияния на общую производительность. Кроме того, он эффективно улучшает безопасность LLM, особенно в сопротивлении атакам на обход защиты.

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.