OpenAI ฝึกและติดตั้ง activation classifier เป็นชั้นตรวจสอบความปลอดภัยของโมเดลแนวหน้า
หัวข้อต้นฉบับ:Training activation classifiers for safety and alignment
สรุปโดย AI
OpenAI ตั้งแต่ GPT-5.6 เป็นต้นมาได้ติดตั้ง activation classifier (probes) บนทราฟฟิกภายในและภายนอกของโมเดลที่แข็งแกร่งที่สุด โดยใช้การกระตุ้นภายในโมเดลให้คะแนนแบบเรียลไทม์ทีละ token สามารถสกัดกั้นการตอบกลับและการเรียกใช้เครื่องมือที่ละเมิดกฎระหว่างการสร้าง และส่งให้โมเดลการอนุมานตรวจทานซ้ำ การทดลองแสดงว่า probes มีความทนทานต่อการโจมตี jailbreak ที่ทดสอบมากกว่าตัวจำแนกข้อความขนาดใหญ่กว่า ความแม่นยำเพิ่มขึ้นตามความสามารถของโมเดล และถ่ายโอนได้ดีระหว่าง checkpoint หลังการฝึกอบรม แต่ต้องฝึกใหม่สำหรับโมเดลพื้นฐานใหม่ และตรวจจับได้เฉพาะประเภทการละเมิดที่รู้จักซึ่งฝึกได้อย่างชัดเจนเท่านั้น
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- OpenAI:Alignment 研究博客(RSS)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 63
OpenAI 官方披露激活分类器的架构、训练与部署细节,并给出其相对文本分类器在越狱鲁棒性上的实验对比。
หัวข้อที่เกี่ยวข้อง
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: OpenAI ฝึกและติดตั้ง activation classifier เป็นชั้นตรวจสอบความปลอดภัยของโมเดลแนวหน้า 3 พฤศจิกายน 2026 https://new.nat6.net/th/news/wlmiqh13694tqabyvu6nzvlrs/