llm-censorship-steering

LLM सेंसरशिप स्टीयरिंग यह रिपॉजिटरी स्टीयरिंग द सेंसरशिप: एलएलएम "थॉट" नियंत्रण के लिए प्रतिनिधित्व वेक्टरों का खुलासा नामक पेपर का कोड कार्यान्वयन शामिल है, जिसे हन्नाह साइबेरी और डेविड इवांस द्वारा लिखा गया है। हम एक विधि प्रस्तुत करते हैं जो एलएलएम अंतरंगों से 'स्टीयरिंग वेक्टर' ढूंढती है, ताक...