SLDR: Defending Against Malicious Fine-tuning via Selective Layers Recovery and Dynamic Routing

arXiv cs.CR · 8 oct, 06:00

SLDR es una defensa posterior al fine-tuning que protege modelos de lenguaje contra adaptaciones maliciosas que debilitan el comportamiento de rechazo. El método utiliza recuperación selectiva de capas y enrutamiento dinámico para preservar la utilidad en tareas legítimas mientras bloquea consultas maliciosas.