Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Detecting and Steering LLMs' Empathy in Action

Created by
  • Haebom
Category
Empty

저자

Juan P. Cadile

개요

본 논문은 대규모 언어 모델(LLM) 활성화 공간에서 인간의 필요를 충족시키기 위해 작업 효율성을 희생하는 의지인 "실천적 공감(Empathy-in-Action, EIA)"을 선형 방향으로 탐구합니다. Empathy-in-Action(EIA) 벤치마크를 기반으로 한 대조적인 프롬프트를 사용하여 Phi-3-mini-4k (3.8B), Qwen2.5-7B (안전 훈련), Dolphin-Llama-3.1-8B (검열되지 않음) 모델에서 감지 및 조정을 테스트했습니다.

시사점, 한계점

•
시사점:
◦
모든 모델에서 최적 레이어에서 0.996-1.00의 AUROC를 보이며, 실천적 공감(EIA)이 감지 가능함을 보여줍니다.
◦
검열되지 않은 Dolphin 모델은 안전 훈련된 모델과 유사한 성능을 보이며, 안전 훈련과 관계없이 공감 인코딩이 나타남을 시사합니다.
◦
Phi-3 모델의 EIA 행동 점수와의 강한 상관관계(r=0.71, p<0.01)를 보입니다.
◦
Qwen 및 Phi-3는 양방향 제어 및 일관성을 유지하며, Dolphin은 공감 강화에만 강점을 보입니다.
◦
안전 훈련이 조작을 막기보다는 조향의 견고성에 영향을 줄 수 있습니다.
•
한계점:
◦
모델 간의 탐침 일치도는 제한적입니다.
◦
Dolphin 모델은 반공감 조향 시 심각한 오류(빈 출력, 코드 아티팩트)를 보입니다.
◦
더 많은 모델을 대상으로 한 검증이 필요합니다.
👍
Made with Slashpage