एक बहु-ब्रह्मांड कंप्यूटिंग शोधपत्र एक विधि का परिचय देता है जिसमें भाषा मॉडलों को किसी विषय के हानिकारक उपसमुच्चयों को ही अस्वीकार करने के लिए प्रशिक्षित किया जाता है, न कि संपूर्ण श्रेणी को, जो कि मंद विषय-स्तरीय सुरक्षा मार्गदर्शकों की सीमाओं को दूर करता है। यह दृष्टिकोण सुरक्षा बनाए रखते हुए गैर-लाभदायक प्रॉम्प्ट्स पर झूठी अस्वीकृतियों को कम करने के लिए कवरेज मरम्मत और वितरण-अंतर्गत हानिरहित डेटा के साथ सीमा-जागरूक स्व-संक्रमण का उपयोग करता है।
- बढ़ते पुनः प्रयास रणनीति ने 19.88% से 0.20% तक प्रॉम्प्ट जनरेशन विफलताओं को कम किया, जिसमें 40,293 हानिकारक प्रशिक्षण उदाहरण सुरक्षित रहे।
- 11,955 सत्यापित सतह-खतरनाक हानिरहित प्रॉम्प्ट्स का समावेश सुरक्षित सामग्री पर झूठी अस्वीकृतियों को कम करता है।
- हानिकारक-हानिरहित जोड़ों को अलग रखकर सीमा सटीकता को सीधे मापा गया, जिससे दिखा कि हानिरहित सीमा डेटा जोड़ने से ओवर-अस्वीकृति 32.94% से घटकर 4.16% हो गई, जबकि हानिकारक अस्वीकृति में केवल मामूली गिरावट आई (91.88% से 87.72%)।
लेखकों का तर्क है कि सुरक्षा ट्यूनिंग को सीमा के दोनों पक्षों, यानी हानिकारक और हानिरहित दोनों का मूल्यांकन करना चाहिए, क्योंकि केवल हानिकारक अस्वीकृति के लिए अनुकूलन करने से मॉडल वैध क्वेरी पर बेकार हो जाते हैं।