九种违反版权法的方式及为何我们的 LLM 不会：合理使用对齐生成框架
计算与语言
2025-06-02 v1 人工智能
摘要
大型语言模型（LLM）通常因逐字复制或缺乏充分转换性修改而重现受保护内容，面临版权侵权风险，引发了重大的伦理、法律和实际问题。当前的推理时防护措施主要依赖基于限制性拒绝的过滤器，这往往损害了模型的实用性。为解决此问题，我们与知识产权专家密切合作，开发了 FUA-LLM（Fair Use Aligned Language Models，合理使用对齐语言模型），这是一个明确旨在使 LLM 输出与合理使用原则对齐的、具有法律基础的框架。我们方法的核心是 FairUseDB，这是一个精心构建的数据集，包含 18,000 个经专家验证的示例，涵盖九种现实的侵权场景。利用该数据集，我们应用直接偏好优化（DPO）来微调开源 LLM，鼓励它们产生合法合规且实用的替代方案，而不是采取生硬的拒绝。认识到传统评估指标的不足，我们提出了新的度量标准：加权惩罚效用和合规感知调和平均值（CAH），以平衡侵权风险与响应效用。大量的定量实验和专家评估证实，与 SOTA 方法相比，FUA-LLM 显著减少了有问题的输出（高达 20\%），同时保持了现实世界的可用性。
引用
@article{arxiv.2505.23788,
title = {Nine Ways to Break Copyright Law and Why Our LLM Won't: A Fair Use Aligned Generation Framework},
author = {Aakash Sen Sharma and Debdeep Sanyal and Priyansh Srivastava and Sundar Atreya H. and Shirish Karande and Mohan Kankanhalli and Murari Mandal},
journal= {arXiv preprint arXiv:2505.23788},
year = {2025}
}
备注
30 Pages