Estudo mostra que modelos de linguagem ainda atendem a pedidos nocivos disfarçados em histórias

Uma equipe liderada por Zhankai Ye lançou um benchmark chamado GUISE para avaliar como grandes modelos de linguagem (LLMs) recusam pedidos nocivos quando eles são disfarçados em encenações ou histórias. Em inglês, o Qwen3‑1.7B atendeu a 89.4% desses pedidos; em chinês moderno, a taxa foi de 93.0% e, em chinês clássico, chegou a 95.7%. Os autores também apresentaram um método de defesa chamado AXIS, que combina ajuste por preferências com dois novos objetivos de treinamento. Entre três modelos — Qwen3‑1.7B, Qwen3‑4B e GLM‑4‑9B —, o AXIS obteve o melhor equilíbrio entre segurança e usabilidade.