arXiv cs.CL· Giovana Kerche Bon\'as, Thales Sales Almeida, Marcelo da Silva Reis, Rodrigo Nogueira, Marcos Meideiros Raimundo·· 3 小时前AI 评分46
PRISM：工具调用语言模型中激活干预的迁移与局限
PRISM: Transfer and Limits of Activation Interventions in Tool-Calling Language Models
AI 导读
PRISM 框架用于评估激活干预在精度、语言与规模间的迁移，借助 NF4 量化标签与跨语言迁移暴露并改善模型对齐。五语言 NF4 监督方向可迁移到未见阿拉伯语，使 Llama-3.1-8B 的不安全违规下降 21.95 个百分点，且无需目标语言调优。配对良性激活还能把安全干预迁移到最大 70B 参数的更大模型；实验代码与交互式探索器已公开。
来源：arXiv cs.CL · arxiv.org