LLM的数数才干有多弱 一个意想不到的罪魁祸首

大模型畛域的开展突飞猛进，每天都有许多幽默的论文值得深化品读。上方是本期感觉比拟无心思的论文：

1、LLM的"数数"才干有多弱？一个意想不到的"罪魁祸首"

2、专家模型的潜在隐患：用户提醒被窃取的面前

1、LLM的"数数"才干有多弱？一个意想不到的"罪魁祸首"

你置信大型言语模型（LLM）连便捷的"数数"都或者做不好吗？近期一篇震惊学术界的论文提醒了这个令人惊讶的理想：即使是号称"无所不能"的AI模型，在面对基础计数义务时也或者栽跟头。

这项钻研的关键发如今于：tokenization（分词）或者是影响AI模型计数才干的"幕后黑手"。就像一个翻译员不小心省略或失误了解了局部对话，不失当的分词模式会造成AI模型失落关键消息，使其在计数义务中准确率最高可降落80%！钻研者们经过少量试验证明，不同的分词战略会极大地影响模型的推理才干。

幽默的是，这个看似技术性很强的发现，实践上提醒了AI模型"思索"的实质机制。传统的Transformer架构自身就存在计算深度的后天局限，而精心设计的分词方法可以在某种水平上"补偿"这一毛病。这就像是为AI模型装备了一副更准确的"眼镜"，协助它更准确地"看清"和"了解"输入的消息。

关于个别读者和AI从业者来说，这项钻研传递了一个关键消息：AI的自动远比咱们构想的愈加软弱和依赖细节。在谋求"自动"的路线上，每一个看似微无余道的技术细节，都或者成为选择性的关键。

论文题目：Counting Ability of Large Language Models and Impact of Tokenization

论文链接：

2、专家模型的潜在隐患：用户提醒被窃取的面前

在当今的言语模型中，Mixture-of-Experts (MoE) 架构以其高效性和可裁减性而备受青眼。但是，最新的钻研提醒了这种架构中的一个严重安保破绽——用户输入提醒的暴露。本文深化讨论了“MoE Tiebreak Leakage”攻打，提醒了恶意用户如何经过巧妙结构查问批次，应用专家选用路由的毛病，从而齐全窃取指标用户的公家输入。

钻研人员成功地在一个两层的Mixtral模型中展现了这种攻打。他们发现，恶意用户只有提交大批精心设计的查问，就能够操控专家路由，使指标用户的提醒暴露。详细而言，钻研标明，攻打者只有收回平均100个查问，便可提取到整个用户提醒，提醒了MoE模型在设计时未能思索的安保隐患。

该论文不只引见了这一新型攻打，还强调了在言语模型设计和部署环节中启动系统安保剖析的关键性。因为这种消息暴露现象巧妙而难以发觉，钻研者呐喊在未来的模型架构中融入安保思索，以防止相似的攻打再次出现。

随着言语模型的始终开展，确保用户数据安保将是一个亟需处置的关键疑问。深化了解MoE模型的安保破绽，将有助于推进愈加安保的AI技术提高。

论文题目：Stealing User Prompts from Mixture of Experts

论文链接：​ ​​ ​

本文转载自​​，作者：