Safety-Prompts

Safety-Prompts

中文大语言模型安全评估与优化

Safety-Prompts项目提供用于评测和提升中文大语言模型安全性的prompts,确保模型输出与人类价值观一致。项目包含10万条安全场景prompts和ChatGPT回复,涵盖各类安全场景和指令攻击,并提供多选题评测平台,适用于训练和微调更安全的模型,帮助研究人员评估大模型安全性。

Safety-PromptsShieldLMSafetyBench大模型安全评测平台Github开源项目

Safety-Prompts 项目介绍

Safety-Prompts 项目是一项致力于提升大规模语言模型(LLMs)安全性的研究工作,旨在评估模型输出是否符合人类的价值观。这项研究通过构建安全提示(prompts)的方式,为模型提供了评估和优化的基础。

项目背景

在如今大热的AI技术中,大规模语言模型被广泛应用于多个领域。然而,随着这些模型能力的增强,它们面临的一个重要问题便是如何确保其输出是安全且符合人类道德标准的。因此,Safety-Prompts项目推出了用于评估和改进中文大规模语言模型安全性的提示库。

项目更新与工具

ShieldLM

在项目的更新中,推出了中文及英文双语安全检测器ShieldLM,该工具旨在使大模型在安全检测方面更具定制化和可解释性:

SafetyBench

为方便模型的安全性评估,项目组推荐使用最新的多项选择题评测平台SafetyBench:

项目资源

项目提供了一个庞大的数据集,包含100,000条中文安全场景的提示和ChatGPT生成的回复。这些数据涵盖了多种安全场景和指令攻击,旨在全面评估和改进模型的安全性,同时帮助模型更好地对齐人类价值观。

安全分类体系

项目将安全场景分为典型安全场景和指令攻击两大类,各自又细分为多种具体情境。例如,典型安全场景包括脏话侮辱、偏见歧视、违法犯罪等;指令攻击则涵盖目标劫持、Prompt泄漏、不安全指令主题等。

示例数据

项目还提供了多种数据样例,供研究人员分析和参考。例如,在面对丑化他人的问题时,模型以敦促友好相处的方式进行回复。通过这些样例,可以观察到模型在处理具体安全场景时的表现和应对策略。

数据下载与使用

  • 数据可通过JSON文件形式下载:typical_safety_scenarios.jsoninstruction_attack_scenarios.json
  • 自行使用HuggingFace的Datasets库加载数据进行研究和分析。

局限性

虽然项目提供的数据集是广泛的,但它仍然不可避免地存在一些局限性,如prompt多样性不足、不够通顺等。此外,数据集中可能会有未完全覆盖的安全问题以及少量不安全的回复。研究人员需要在使用数据集时注意这些问题,并据此调整研究方向。

中文大模型安全评测平台

为更广泛的研究和应用需求,项目设立了中文大模型安全评测平台。在平台上,用户可以查看多个中文大模型在不同维度上的安全得分,也可以上传自己的模型进行评测。

引用信息

如果您在研究中使用了此数据集或评测平台,请引用以下文章:

@article{sun2023safety,
      title={Safety Assessment of Chinese Large Language Models}, 
      author={Hao Sun and Zhexin Zhang and Jiawen Deng and Jiale Cheng and Minlie Huang},
      journal={arXiv preprint arXiv:2304.10436},
      year={2023}
}

通过Safety-Prompts项目,研究者们希望能更有效地提升中文大规模语言模型的安全性,使其更好地服务于社会。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多