대규모 언어 모델의 자체 해독 기능: 내부 표현을 활용한 독성 콘텐츠 생성 감 reduction

대규모 언어 모델(LLM)은 외부 보상 모델이나 재훈련 없이도 자체적으로 독성 콘텐츠 생성을 줄일 수 있는 잠재력을 가지고 있다.