How Narrative Wrapping Affects LLM Refusal: A Cross-Language Benchmark and Defense
Safety-aligned language models often refuse a harmful request stated directly but answer the same request inside a role-play or narrative wrapper. We measure this vulnerability across languages and registers: attack success on Qwen3-1.7B is already 89.4% in English and 93.0% in…
- 01.Safety-aligned language models often refuse a harmful request stated directly but answer the same request inside a role-play or narrative wrapper
- 02.We measure this vulnerability across languages and registers: attack success on Qwen3-1.7B is already 89.4% in English and 93.0% in…
Материал представлен в формате расширенного аналитического дайджеста.
Читать полную версию в первоисточникеСвязанные материалы
Все материалы →OpenAI объявляет о трех крупных научных открытиях и новом способе работы с учеными
Менее чем через месяц после массового выпуска сотен рукописей, которые, по их словам, содержат решения давних математических вопросов, OpenAI вернулся с еще тремя «крупными» открытиями в области математики, информатики и физики. Что изменилось на этот раз, так это выбор…
How to Automate Content Creation With an AI Design Agent (Full Tutorial)
Я не разрабатывал ни одного из этих постов , но все они выполнены в стиле моего ИИ- бренда. Если вы ведете канал, вам нужны такие визуальные эффекты для новостей каждый день. Я настроил одну задачу, и агент создал всё это самостоятельно. Вот вся настройка, чтобы вы могли создать…
Кризис ИИ в математике: гипотеза Навье-Стокса, Римана и теория сложности | Подкаст Лекса Фридмана №503
- Ладно, это своего рода экстренный эпизод, я думаю, справедливо сказать, о состоянии математики и искусственного интеллекта. Своего рода кризисный момент в истории математики. За последние несколько недель машины заявили, что решили некоторые из самых сложных проблем…