Más allá de la Caja Negra: Revelando Patrones Neuronales Adversariales en Modelos de Lenguaje a Gran Escala (LLMs)

Resumen

Descubra cómo funcionan los jailbreaks de LLM mediante técnicas de introspección neural que decodifican estados internos, revelando patrones de ataque y mecánicas previamente desconocidas en los modelos de lenguaje grande.

---

Asignaturas

Ciencias de la Computación