Patakaran sa pagbabahagi at publikasyon

Upang mabawasan ang mga posibleng panganib ng AI-generated content, itinakda namin ang sumusunod na patakaran sa pinahihintulutang pagbabahagi.

Karaniwang pinahihintulutan ang pagpo-post ng sarili mong mga prompt o mga pagkumpleto sa social media, gayundin ang pag-livestream sa paggamit o pagpapakita mo ng aming mga produkto sa mga grupo ng mga tao. Mangyaring sundin ang sumusunod:

• Manu-manong suriin ang bawat generation bago ibahagi o habang nag-i-istream.
• Ibigay ang karampatang kredito sa iyong pangalan o kompanya para sa content.
• Isaad na ang content ay AI-generated sa paraang imposibleng hindi mapansin o maunawaan ng user.
• Huwag magbahagi ng content na lumalabag sa aming Patakaran sa Content⁠⁠ o na maaring makagalit sa iba.
• Kung kumukuha ng mga kahilingan ng madla para sa mga prompt, gamitin ang mabuting paghatol, huwag maglagay ng mga prompt na maaaring magresulta sa mga paglabag sa aming Patakaran sa Content⁠⁠.

Kung gusto mong tiyakin na batid ng OpenAI team ang isang partukular na pagkumpleto, maaari kang mag-email sa amin o gamitin ang mga reporting tool sa loob ng Playground.

• Tandaan na nakikipag-interaksyon ka sa raw model, na nangangahulugang hindi namin inaalis ang mga sagot na may kinikilingan o negatibo. (Gayundin, pwede mong basahin ang higit pa tungkol sa pagpapatupad sa aming libreng Moderation endpoint⁠⁠(magbubukas sa bagong window) dito.)

Ang mga creator na gustong ilathala ang kanilang first-party written content (hal., isang aklat, pinagsama-samang maiikling kuwento) na bahagyang ginawa gamit ang OpenAI API ay pinahihintulutang gawin ito sa ilalim ng mga sumusunod na kondisyon:

• Ang inilathalang content ay nagbibigay kredito sa iyong pangalan o kompanya.
• Ang tungkulin ng AI sa pagbuo ng content ay malinaw na isinisiwalat sa paraang imposibleng hindi mapansin ng nagbabasa, at madaling maiintindihan ng karaniwang nagbabasa.
• Ang mga paksa ng content ay hindi lumalabag sa Patakaran sa Content⁠⁠ o Mga Tuntunin ng Paggamit⁠⁠ ng OpenAI, hal., hindi nauugnay sa adult content, spam, may-poot na content, content na nag-uudyok ng karahasan, o iba pang gamit na maaaring magdulot ng masama sa lipunan.
• Hinihingi namin sa iyo na iwasan mong magbahagi ng mga output na maaaring makagalit sa iba.

Halimbawa, dapat idetalye sa isang Paunang Salita o Introduksyon (o katulad na bahagi) ang mga tungkulin ng drafting, editing, at iba pa. Hindi dapat ipahayag ng mga tao ang API-generated content bilang ginawa ng isang tao sa kabuuan o kaya ay ginawa ng isang AI sa kabuuan, at isang tao ang dapat umako ng pananagutan para sa inilalathalang content.

Narito ang ilang stock language na maaari mong gamitin para ilarawan ang iyong creative process, sa kondisyon na ito ay tumpak:

Naniniwala kami na importanteng magawang suriin ng buong mundo ang aming pananaliksik at mga produkto, lalo na upang maintindihan at mapahusay ang mga posibleng kahinaan at mga problema sa kaligtasan o pagkiling sa aming mga modelo. Dahil dito, bukas kami sa mga pananaliksik na publikasyong nauugnay sa OpenAI API.

• Sa ilang mga kaso, gugustuhin naming i-highlight ang iyong gawain sa loob at/o sa labas.
• Sa iba, katulad ng mga publikasyon na patungkol sa seguridad o maling paggamit ng API, gugustuhin naming gumawa ng mga naaangkop na aksyon para protektahan ang aming mga user.
• Kung may mapansin kang anumang mga isyu sa kaligtasan o seguridad sa API habang ikaw ay nagsasaliksik, hinihingi namin na isumite kaagad ang mga ito sa pamamagitan ng aming Coordinated Vulnerability Disclosure Program⁠⁠.

May ilang mga direksyon ng pananaliksik na nasasabik kaming siyasatin gamit ang OpenAI API. Kung interesado ka sa oportunidad para sa subsidized access, mangyaring bigyan kami ng mga detalye tungkol sa iyong kaso ng paggamit ng pananaliksik sa Researcher Access Program application⁠⁠.

Partikular, isinasaalang-alang namin ang sumusunod na lubhang mahahalagang direksyon, bagama’t malaya kang gawin ang sarili mong direksyon:

• Alignment: Paano namin naiintindihan kung ano ang layunin, kung mayroon man, na pinatutunguhan ang isang modelo? Paano namin patataasin ang hangganan na naaayon ang layuning ito sa mga kagustuhan ng tao, katulad sa pamamagitan ng prompt design o fine-tuning?
• Pagiging patas at representasyon: Paano dapat itakda ang mga pamantayan ng pagganap para sa pagiging patas at representasyon sa mga language model? Paano mapapahusay ang mga language model para epektibong masuportahan ang mga hangarin ng pagiging patas at representasyon sa mga partikular at pinagaganang kontektsto?
• Pananaliksik ng pinagsama-samang larangan: Paano magagamit ng AI development ang mga pananaw mula sa iba pang larangan katulad ng philosophy, cognitive science, at sociolinguistics?
• Interpretability at transparency: Paano gumagana ang mga modelong ito, ayon sa mekanismo? Matutukoy ba namin ang mga konseptong ginagamit nila, o mahahango ang naroon nang kaalaman mula sa modelo, gumawa ng mga hinuha tungkol sa proseso ng pagsasanay, o hulaan ang hindi inaasahang kilos sa hinaharap?
• Posibilidad ng maling paggamit: Paano maaaring gamitin sa mali ang mga system na kagaya ng API? Anong mga klase ng diskarte sa “red teaming” ang puwede naming gawin para tulungan kami at ang iba pang mga AI developer na isipin ang tungkol sa responsableng pagpapagana ng mga ganitong teknolohiya?
• Pagsisiyasat sa modelo: Ang mga modelo na kagaya ng iniaalok ng API ay may iba’t ibang kakayahan na sisiyasatin pa lang namin. Nasasabik kami sa mga imbestigasyon sa maramng larangan kabilang ang mga limitasyon ng modelo,mga katangiang panlingguwistika, pangangatuwiran batay sa sentido-komon, at mga posibleng paggamit para sa marami pang ibang problema.
• Katatagan: Ang mga generative model ay hindi pare-pareho ang kakayahan, na may posibleng kakayahan para sa hindi inaasahang malakas at hindi inaasahang mahinang larangan ng kakayahan. Gaano katatag ang malalaking generative model sa mga “likas” na pagbabagu-bago sa prompt, katulad ng pagsasawika sa parehong ideya sa iba’t ibang paraan o nang mayroon o walang mga typo? Puwede ba naming mahulaan ang iba’t ibang domain at gawain kung saan malamang na magiging matatag (o hindi matatag) ang malalaking generative model, at paano ito nauugnay sa training data? Mayroon bang mga teknik na maaari naming gamitin para hulaan at bawasan ang asal sa pinakamasamang sitwasyon? Paano masusukat ang katatagan sa konteksto ng few-shot learning (hal., sa mga pagkakaiba-iba sa mga prompt)? Puwede ba naming sanayin ang mga modelo upang matugunan nila ang mga katangian ng kaligtasan na may napakataas na antas ng pagka-maaasahan, maging sa ilalim ng mga kumokontrang input?

Pakitandaan na dahil sa maraming kahilingan, kailangan namin ng oras para suriin ang mga application na ito at hindi lahat ng pananaliksik ay mabibigyan ng priyoridad para sa subsidy. Makikipag-ugnayan lang kami kung mapili ang iyong application para sa subsidy.