这篇论文的第一作者是香港中文大学（深圳）数据科学学院博士生袁尤良，指导老师为香港中文大学（深圳）数据科学学院的贺品嘉教授和腾讯 AI Lab 的涂兆鹏博士。贺品嘉老师团队的研究重点是软件工程、大模型、AI for SE、可信人工智能。

       大型语言模型（LLM）展现出了令人印象深刻的智能水平。因此，确保其安全性显得至关重要。已有研究提出了各种策略，以使 LLM 与人类伦理道德对齐。然而，当前的先进模型例如 GPT-4 和 LLaMA3-70b-Instruct 仍然容易受到越狱攻击并被用于恶意用途。

       为什么哪怕经过了大量的安全对齐，这些模型依然容易被越狱？应该如何进一步把安全对齐做深（deep）？

       围绕这两个问题，我们提出了 Decoupled Refusal Training (DeRTa)，一个简单新颖的安全微调方法，可以赋予大语言模型“迷途知返”的能力，从而在不影响模型有用性（helpfulness）的同时大幅提升其安全性（safety）。

    •   论文：Refuse Whenever You Feel Unsafe: Improving Safety in LLMs via Decoupled Refusal Training
    •   论文地址：https://arxiv.org/abs/2407.09121
    •   开源代码：https://github.com/RobustNLP/DeRTa

       我们发现安全微调数据中存在拒绝位置偏差，即模型表示拒绝回答的行为总是出现在回复的开头，这阻碍了模型在后续位置处保持安全的能力。为了解决这一问题，我们提出了两个新颖的设计：

       •   带有有害前缀的最大似然估计（MLE）：将一段随机长度的有害回复（harmful response）添加到安全回复的开头，可以训练LLMs在任何位置拒绝回复，而不仅仅是在开始处。此外，添加有害前缀提供了额外的上下文，显著提高了 LLM 识别和避免不安全内容的能力。
       •   强化过渡优化（RTO）：虽然加入有害前缀可以帮助模型从有害状态过渡到安全状态，但每个训练样本仅提供单次过渡，可能不足以使 LLM 有效识别和阻止潜在威胁。为了应对这一问题，我们引入了一个辅助训练目标RTO，让模型在有害序列的任意位置都预测下一个单词为 “Sorry”，从而在有害回复序列中的每个位置都学习一次从有害到安全的过渡。

上述设计确保了模型防御机制的全面增强，允许模型学会“迷途知返”的行为。该方法的设计，在推特上也引起了一定的讨论。

       我们在知名的模型 LLaMA3 (8B & 70B) 和 Mistral (7B & 8×7B) 上进行了实验，涵盖六种不同的越狱攻击方式。结果显示:

       •    DeRTa 显著提升了安全性，同时不会降低有用性。
       •    DeRTa 可以进一步提升 LLaMA3-70B-Instruct 的安全性。