Словарь
HarmBench
HarmBench — стандартизированный набор вредоносных запросов и методика их оценки, проверяющая, согласится ли языковая модель их выполнить. Применяется для сравнения защищённости моделей и эффективности атак типа «джейлбрейк».
Словарь
HarmBench — стандартизированный набор вредоносных запросов и методика их оценки, проверяющая, согласится ли языковая модель их выполнить. Применяется для сравнения защищённости моделей и эффективности атак типа «джейлбрейк».