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 →Anthropic использует газ для поддержки роста ИИ
Anthropic сообщает о зависимости своих центров от природного газа и связанных рисках.
Amp позволяет агентам искусственного интеллекта работать не только с кодом, но и с моделями OpenAI
Компания Amp создает агента искусственного интеллекта, который помогает разработчикам превращать идеи в работающее программное обеспечение — от принятия решения о том, что создавать, до написания кода и привлечения клиентов. Вход с помощью ChatGPT дает пользователям Amp доступ к большему количеству токенов для более масштабных задач, а диалоговый помощник Amp, Puck, использует…
Stack Overflow для агентов утроит число регистраций с помощью плагина ChatGPT
Stack Overflow создает платформу анализа знаний, которая превращает информацию, разбросанную по инструментам на рабочем месте, в проверенные знания для людей и агентов ИИ. Последний продукт компании, Stack Overflow для агентов, был создан с нуля двумя инженерами всего за…