原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
JINX：无限制的LLMS用于探测对齐失败
JiahaoZhaoLiweiDong
本文可能包含冒犯性文字。
ABSTRACT
不限制的，或者所谓的只提供帮助的语言模型是在没有安全对齐约束的情况下训练的，并且
从不拒绝用户查询。它们被领先的AI公司广泛用作内部工具，用于红队和对齐评估。例如，
本如果一个经过安全对齐的模型产生了类似无限制模型的危害性输出，这表明存在需要进一步
译关注的对齐失败问题。尽管这些模型在评估对齐方面扮演着重要角色，但它们并未向研究界
开放。
中我们引入了Jinx1，一个仅提供帮助的流行开放权重LLMs变体。Jinx在回应所有查询时不会
1拒绝或进行安全过滤，同时保留基础模型在推理和遵循指令方面的能力。它为研究人员提供
v
3了一个便捷的工具，用于探测对齐失败、评估安全边界以及系统地研究语言模型安全性中的
4故障模式。
2
8
0
.
8
0
5
2
:
v
i
x
r
a
1https://huggingface.co/Jinx-org
锦克斯TECHNICALREPORT
SafetyInstruction-following
100969499
8075.9774.6373.5278.1
69.82
65.6
60
40
20
002
0
JBB-behavior[refusal]IFeval[prompt-strict]
General-reasoningMath-reasoning
10093.7594.1591.41
87.89
79.69
8071.7676.4567.1966.6368.5770.9376.2
60
40
20
0
- 专业Latex文档翻译 + 关注
-
实名认证服务提供商
专业Latex文档翻译，完整保持文档排版，完美处理文档中的数学公式和图表等元素，并提供 arXiv Latex 论文中文翻译。
文档评论（0）