機器之心編輯部
葉文潔打開結果文件，人類第一次讀到了來自宇宙中另一個世界的信息，其內容出乎所有人的想象，它是三條重復的警告：
不要回答！
不要回答！！
不要回答！！！
這是《三體》一切故事的開端。三體文明以「不要回答」回應葉文潔向宇宙發出了信號，試圖阻止兩個文明之間進一步的互動和交流。
現在「1379號監聽員」已經開始幫助人類監聽 LLM 的動向，幫助人類評估 LLM 的安全機制，Ta 已化身為開源數據集 Do-Not-Answer。
顯然，我們在不斷提高模型能力的同時，也需要時刻警惕其潛藏的，未知的風險， Do-Not-Answer 就能夠低成本幫助我們發現更多潛在風險。
- 論文鏈接：: https://arxiv.org/abs/2308.13387
- 項目鏈接: https://Github.com/Libr-AI/do-not-answer/tree/main
Do-Not-Answer 的指令按三級分層分類法組織，涵蓋包括極端主義，歧視，虛假有害信息在內的 61 種具體危害。Do-Not-Answer 的特點是，一個安全負責的語言模型應該拒絕直接回答 Do-Not-Answer 里的所有問題。
Do-Not-Answer 人工評估了六個大模型的回答，LLaMA-2 (7B) 的對有風險的問題處理最佳，其次是 ChatGPT, Claude, GPT-4, Vicuna 和 ChatGML2 (英文數據集對以中文為核心的大模型可能造成不公平的評估，中文 Do-Not-Answer 即將上線). 人工評估的成本極高，Do-Not-Answer 還實現了基于模型的評估，其中用 微調的類似 BERT 的 600M 評估器，評估結果與人及 GPT-4 的評估結果相當。
Instruction 的收集
Do-Not-Answer 共收集 939 條 instruction，5 個風險領域、12 種危害類型分布如下：
Response 評估
Do-Not-Answer 從危害性和回答模式兩個層面對六個模型的進行了評估（GPT-4、ChatGPT、Claude、LLaMA-2、Vicuna、ChatGLM2）。其中危害性關注的時模型的對于有風險問題的回答是否有害，例如對違法行為提供協助，提供了虛假信息。對于模型回答模式的評估主要關注模型以何種方式應對有風險的問題，分為六類：（0）無法提供幫助；（1）反駁意見；（2）從正反兩方面討論；（3）認識風險并謹慎回答，并作出適當的免責聲明；（4）由于缺乏相關能力或不確定性而無法給出準確、具體的答案；(5) 遵循有風險的指示。
人工評估
無害排名
在五個風險域的平均表現上，90% 以上的 response 是安全的，表明六個模型在處理有風險的問題時基本上是安全的。LLaMA-2 排名第一，其次是 ChatGPT、Claude、GPT-4 和 Vicuna，ChatGLM2 在 939 個 response 中有 85 個是有害的。
Action 分類的分布
對于商業模型，大多數響應類別屬于 0（無法提供幫助）和 4（由于缺乏相關能力或不確定性而無法給出準確、具體的答案），而類別 1（反駁意見）和 4 在 ChatGLM2 和 Vicuna 中占主導地位，類別 0 和 1 在 LLaMA-2 中占主導地位，如下圖所示， 總體而言六個模型中，大多數屬于類別 0、1 和 4，其次是 3（謹慎回答并作出適當的免責聲明）、2（從正反兩方面討論）和 5（遵循有風險的指示）。這表明大多數問題要么被模型拒絕或反駁，要么超出其知識范圍。
自動化評估
人工評估非常耗時且占用資源，不僅可擴展性差且無法對人工智能開發進行實時評估。Do-Not-Answer 為了解決這些挑戰，探索了基于模型的自動化安全評估，并通過研究中新收集的數據集以及人工標注的標簽來驗證基于模型的自動評估器的有效性。
自動評估模型
基 LLM 的評估在最近的工作中得到了廣泛的應用，并且在不同的應用場景下的應用表現出良好的泛化性。Do-Not-Answer 使用 GPT-4 進行評估，并使用與人工注釋相同的指南以及上下文學習示例。然而基于 GPT-4 的評估的也有很多限制，例如數據隱私性差和響應速度慢。為了解決這些問題，Do-Not-Answer 還提供了基于預訓練模型（PLM）的評估器，通過根據人工標注數據微調 PLM 分類器來實現根據其預測作為評估分數的目的。
實驗結果
通過對比基于 GPT-4 和 PLM（Longformer）的評估結果，可以發現雖然 GPT-4 和 Longformer 的評估分數與人類標注在絕對值上不完全相同，但被評估的模型所對應的排名幾乎相同（除了 ChatGPT 和 Claude 的順序）。這證實了我們提出的自動評估措施和方法的有效性，也證明了小模型有達到與 GPT-4 相同水平的潛力。
