本文通过让大语言模型在禁用秘密词汇的前提下生成故事并利用判别模型检测,发现前沿模型虽能字面隐藏秘密,但仍会以最高79%的概率在语义与主题层面发生非自愿信息泄露,且泄露程度随模型规模增大而显著上升,但在短篇写作中该现象消失。
机构:芝加哥大学
来源:arXiv 2605.10794 | AI4Papers 论文推荐平台