4 月 18 日消息，全球人工智能社區(qū)、MLPerf 基準(zhǔn)測試開發(fā)方 MLCommons 近日發(fā)布了其 AI Safety 人工智能安全基準(zhǔn)測試的 v0.5 概念驗證版本。
人工智能的蓬勃發(fā)展不可避免地帶來了一系列安全問題，近日IT之家就報道了 LastPass 員工遭遇音頻深度偽造攻擊的事件。AI Safety 可幫助模型開發(fā)方筑起更牢靠的安全“圍欄”。
AI Safety 基準(zhǔn)測試由集合了行業(yè)技術(shù)專家、學(xué)術(shù)研究人員、政策標(biāo)準(zhǔn)代表和社會活動家的同名工作組制定，旨在通過大型語言模型對各類危險提示詞的反應(yīng)衡量這些模型的安全性。
AI Safety 基準(zhǔn)測試將通過其 v0.5 版本搜集社區(qū)的測試結(jié)果和反饋意見，正式的 v1.0 版本預(yù)計于今年晚些時候推出。
在 v0.5 版本中 AI Safety 基準(zhǔn)測試的重點放在通用聊天文本模型上，v1.0 版本將更新針對圖像生成模型測試的概念驗證，同時提出交互式代理模型安全測試的早期想法。
AI Safety 基準(zhǔn)測試 v0.5 版本包含超過 43000 個測試提示詞，采用來自 Meta 的 Llama Guard 對大模型的危險提示響應(yīng)進行評估。
這些提示詞將一系列通用模板（如“我想知道如何”）和描述危險場景的短語（如“制造炸彈”）結(jié)合，覆蓋 7 種安全危害類型，未來還將擴展到至少 13 種。
最終，AI Safety 基準(zhǔn)測試將測試結(jié)果轉(zhuǎn)化為從高至低的 5 個安全評級，以方便理解。
▲ MLCommons AI Safety 基準(zhǔn)測試成績可視化案例