SecOPD

SecOPD: 通过在线策略蒸馏缓解自适应提示注入 Yibo Peng · Long Lian · David Wagner† · Sizhe Chen† † 联合指导。 论文 项目主页 模型 本版本实现了论文中最终的 全响应 KL 公式，也即 无解析 变体。学生模型在受攻击的上下文下进行 rollout。一个由相同基础模型初始化的干净上下文教师模型，在配对的干净上下文下对学生模型采样的 token 进行评分。反向 KL 信号应用于每个采样的响应 token，包括推理 token；不使用 边界来选择监督跨度。 仓库结构 training/tinker/：全响应 KL...