Content Safety and Response Quality in LLMs: A Data-Centric Refinement Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent advancements in large language models (LLMs) have significantly impacted natural language processing. However, ensuring the safety and quality of responses generated by LLMs remains a challenge. Building on previous work with a Corrective-BART Model, which demonstrated significant reductions in toxicity, this paper addresses the trade-of between safety and response quality. A data-centric refinement paradigm is introduced, proactively generating high-quality, safe responses during training. A dynamic dataset is curated using Llama2, where toxic prompt-response pairs are contextually regenerated into safe, relevant alternatives. The enhanced Corrective-BART model employs a multi-threshold correction pipeline, leveraging multiple metrics to detect implicit and explicit harms. For the Type-Token Ratio, the enhanced model paired with GPT-4 achieves an 11% improvement. Similarly, improvements of 8.2% and 8.6% are observed when paired with Gemma-2b-it and Mistral-7B, respectively. In terms of Readability Score, the enhanced BART model paired with GPT-4 shows an 8% improvement while demonstrating a 21% improvement when paired with Mistral-7B and an 8.4% improvement with Gemma-2b-it. For Coherence Score, the enhanced BART model achieves a 6% improvement when paired with GPT-4, a 7% improvement with Mistral-7B, and a 12.7% improvement with Gemma-2b-it. Notably, the Refusal Rate exhibits a 23.4% improvement when the enhanced BART model is paired with GPT-4. Furthermore, impressive increases of 10.5× and 21.3× are observed when paired with Mistral-7B and Gemma-2b-it, respectively. These results demonstrate that the enhanced BART consistently enhances performance across all LLMs, improving lexical diversity, readability, coherence, and safety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle