ThinkSafe

Hold

Kỹ thuật

Phương pháp tinh chỉnh an toàn tự sinh, hướng mô hình tạo ra các vết từ chối được mô hình kiểm duyệt xác nhận.

Vì sao ở đây

Xếp vào Hold: 1 bài bằng chứng từ 1 nguồn, chủ yếu là tin nghiên cứu, 0 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.

Bằng chứng (1)

6Hugging Face Blog·8/9/2026research
Từ chối an toàn có xét ranh giới cho LLM
Hugging Face giới thiệu nghiên cứu về việc kiểm soát hành vi từ chối an toàn của LLM theo ranh giới của một chủ đề, thay vì từ chối toàn bộ chủ đề. Bài báo cho rằng các chính sách theo từng triển khai có thể cần mô hình chỉ từ chối các tiểu chủ đề gây hại, như thao túng chính trị, trong khi vẫn trả lời các câu hỏi तथ्य tính vô hại trong cùng lĩnh vực.