Probing and Steering for Safety-Relevant Behaviours in Large Language Models

Nimun Bajwa, Massimo Poesio

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.