Derailing Non-Answers via Logit Suppression at Output Subspace Boundaries in RLHF-Aligned Language Models

Fuente: arXiv
Salvato in:
Dettagli Bibliografici
Autori principali: Dam, Harvey, Knochelmann, Jonas, Joseph, Vinu, Gopalakrishnan, Ganesh
Natura: Preprint
Pubblicazione: 2025
Soggetti:
Accesso online:
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!