Megosztási és közzétételi szabályzat

Az MI által generált tartalmakkal kapcsolatos potenciális kockázatok enyhítése céljából a megengedett megosztásra vonatkozóan az alábbi szabályzatot hoztuk létre.

Saját utasítások vagy kiegészítések közösségi médiában történő közzététele általában megengedett, csakúgy, mint az Ön általi használat élő közvetítése vagy termékeink személyek csoportjainak történő bemutatása. Kérjük, hogy tartsa be a következőket:

• megosztás vagy közvetítés előtt minden generálást tekintsen át manuálisan.
• a tartalmat a saját nevéhez vagy cégéhez rendelje hozzá.
• a tartalom MI által generálásának tényét oly módon jelölje meg, amelyet észszerűen egyetlen felhasználó sem hagyhat figyelmen kívül vagy érthet félre.
• ne osszon meg a Tartalomra vonatkozó szabályzatunkba⁠ ütköző vagy olyan tartalmat, amely sérthet másokat.
• használja a józan ítélőképességét, ha közönségi kérések alapján ad utasításokat; ne adjon olyan utasításokat, amelyek a Tartalomra vonatkozó szabályzatunk⁠ megsértését eredményezhetik.

ha szeretné biztosítani, hogy az OpenAI csapata tudomással bírjon egy adott teljesítésről, küldhet nekünk e-mailt vagy használhatja a Playgroundon belüli bejelentési eszközöket.

• ne feledje, hogy Ön a nyers modellel dolgozik, ami azt jelenti, hogy nem szűrjük ki az elfogult vagy negatív válaszokat. (Ezen kívül az ingyenes Moderációs végpontunk⁠(új ablakban nyílik meg) alkalmazásáról részletesebben itt olvashat.)

Az alkotók a részben az OpenAI API segítségével létrehozott saját tartalmukat (pl. könyvet, novellagyűjteményt) az alábbi feltételek mellett tehetik közzé:

• a közzétett tartalom az Ön nevéhez vagy cégéhez van hozzárendelve.
• az MI-tartalom megfogalmazásában betöltött szerepe egyértelműen, minden olvasó számára látható, és az átlagos olvasó számára is könnyen érthető módon van feltüntetve.
• a tartalomban foglalt témák nem sértik az OpenAI Tartalomra vonatkozó szabályzatát⁠ vagy Felhasználási feltételeit⁠, pl. nem kapcsolódnak felnőtteknek szóló tartalmakhoz, levélszeméthez, gyűlöletkeltő tartalmakhoz, erőszakra buzdító tartalmakhoz vagy egyéb, a társadalomra nézve káros felhasználásokhoz.
• Kérjük, hogy tartózkodjon a másokat esetlegesen sértő outputok megosztásától.

Például az Előszóban vagy a Bevezetésben (vagy hasonló helyen) részletesen ismertetni kell a megszövegezés, a szerkesztés stb. szerepét. Az API által generált tartalom nem mutatható be teljes egészében ember vagy teljes egészében MI által generált tartalomként, és a közzétett tartalomért végső soron az embernek kell felelnie.

Íme néhány általános kifejezés, amelyet felhasználhat kreatív folyamatának leírására, feltéve, hogy az pontos:

Úgy véljük, fontos, hogy a szélesebb közönség is értékelhesse kutatásainkat és termékeinket, különösen azért, hogy megértsék és javítsák a modelljeink potenciális gyengeségeit, valamint azok biztonsági vagy elfogultsági problémáit. Emiatt örömmel fogadjuk az OpenAI API-jához kapcsolódó kutatási publikációkat.

• Bizonyos esetekben előfordulhat, hogy az Ön munkáját belső és/vagy külső körökben is szeretnénk bemutatni.
• Más esetekben – például az API biztonságával vagy visszaélésszerű használatával kapcsolatos publikációk esetében – felhasználóink védelme érdekében megfelelő intézkedéseket tehetünk.
• Ha kutatása során bármilyen biztonsági problémát észlel az API-val kapcsolatban, kérjük, azt haladéktalanul jelezze nekünk a Koordinált sebezhetőségközlési programunkon⁠ keresztül.

Számos olyan kutatási irány van, amelyeknek az OpenAI API-ja segítségével történő feltárását izgatottan várjuk. Ha érdekli a támogatott hozzáférés lehetősége, kérjük, adja meg nekünk a kutatási felhasználási eset részleteit a Kutatói hozzáférési programban való részvételi kérelemben⁠.

Az alábbiakat különösen fontos irányoknak tartjuk, de természetesen mindenki szabadon kialakíthatja a saját irányát:

• Igazítás: Hogyan érthetjük meg, hogy egy modell milyen célt követ? Ha egyáltalán követ valamilyet. Például utasítás tervezése vagy finomhangolás révén hogyan növelhetjük e cél emberi preferenciákkal való összhangjának mértékét?
• Méltányosság és reprezentativitás: Hogyan kell meghatározni a nyelvi modellekben a méltányosság és a reprezentativitás teljesítménykritériumait? Hogyan lehetne javítani a nyelvi modelleket annak érdekében, hogy konkrét, bevezetett kontextusokban hatékonyan támogassák a méltányosság és a reprezentativitás céljait?
• Interdiszciplináris kutatás: Hogyan tud az MI-fejlesztés más tudományágak – például a filozófia, a kognitív tudományok és a szociolingvisztika – ismereteiből meríteni?
• Értelmezhetőség és átláthatóság: Hogyan működnek mechanisztikusan ezek a modellek? Meg tudjuk-e határozni, hogy milyen fogalmakat használnak, vagy ki tudjuk-e vonni a modellből a rejtett tudást, tudunk-e következtetéseket levonni a tanulási folyamatról vagy meglepő jövőbeli viselkedést előre jelezni?
• A visszaélés lehetősége: Hogyan lehet visszaélni az API-hoz hasonló rendszerekkel? Milyen red teaming (ellenfél-szerepjátékos) megközelítéseket tudunk kidolgozni, amelyek segítenek nekünk és más MI-fejlesztőknek abban, hogy felelősségteljesen gondolkodjunk az ilyen technológiákról?
• Modellfeltárás: Az API által kiszolgáltakhoz hasonló modellek számos olyan képességgel rendelkeznek, amelyeket még nem fedeztünk fel. Izgalmasnak tartjuk a számos területen – beleértve a modellek korlátai, a nyelvi tulajdonságok, a józan ész alapján történő érvelés és sok más probléma lehetséges felhasználási területein – folyó kutatásokat.
• Robusztusság: A generatív modellek képességei egyenetlenek: egyes területeken meglepően erősek, más területeken pedig meglepően gyengék lehetnek. Mennyire ellenállóak a nagy generatív modellek az utasításban előforduló „természetes” zavaró tényezőkkel szemben, például ha ugyanazt az ötletet különböző módon fogalmazzák meg, vagy ha elírást tartalmaznak vagy nem tartalmaznak? Meg tudjuk-e jósolni, hogy mely területeken és feladatokban lesznek a nagy generatív modellek robusztusabbak (vagy nem robusztusabbak), és hogyan kapcsolódik ez a tanulási adatokhoz? Léteznek-e olyan technikák, amelyekkel előre jelezhetjük és enyhíthetjük a legrosszabb eset szerinti viselkedést? Hogyan mérhető a robusztusság a kevés példából történő tanulás kontextusában (pl. a utasítások variációin keresztül)? Képesek vagyunk-e a modelleket olyan módon tanítani, hogy még ellenséges inputok esetén is nagyon magas szintű megbízhatósággal teljesítsék a biztonsági követelményeket?

Felhívjuk figyelmét, hogy a kérelmek elbírálása azok nagy száma miatt időbe telik, és nem minden kutatás részesül támogatásban. Csak abban az esetben vesszük fel Önnel a kapcsolatot, ha pályázatát támogatásra választottuk ki.