デカップリング拒絶トレーニング

Decoupled Refusal Training（DeRTa）は、拒絶位置の偏りを解消し、LLMが応答のどの位置でも一貫して有害な要求を拒否できるように設計された訓練手法です。MLEとRTOを組み合わせることで、安全性を維持しつつ性能を維持したまま、攻撃シナリオに対する堅韌性を高めます。