Chính sách chia sẻ và công bố

Để giảm thiểu rủi ro có thể xảy ra với nội dung do AI tạo ra, chúng tôi đã đưa ra chính sách sau về nội dung chia sẻ được cho phép.

Việc đăng tải các câu lệnh hoặc sản phẩm hoàn chỉnh của bạn lên mạng xã hội thường được cho phép, cũng như việc phát trực tiếp cách bạn sử dụng hoặc trình bày sản phẩm của chúng tôi cho một nhóm người. Vui lòng tuân thủ các điều sau:

• Tự kiểm tra lại mỗi sản phẩm được tạo ra trước khi chia sẻ hoặc khi phát trực tiếp.
• Ghi nhận nội dung đó thuộc về bạn hoặc công ty của bạn.
• Ghi rõ rằng nội dung đó được tạo ra bởi AI sao cho không người dùng nào có lý do bỏ sót hoặc hiểu lầm.
• Không chia sẻ nội dung vi phạm Chính sách nội dung⁠ của chúng tôi hoặc có thể gây khó chịu cho người khác.
• Nếu nhận yêu cầu từ người xem để tạo câu lệnh, hãy cân nhắc kỹ; không nhập các câu lệnh có thể dẫn đến vi phạm Chính sách nội dung⁠⁠ của chúng tôi.

Nếu bạn muốn đảm bảo đội ngũ OpenAI biết về một sản phẩm hoàn chỉnh cụ thể, bạn có thể gửi email cho chúng tôi hoặc sử dụng các công cụ báo cáo trong Playground.

• Hãy nhớ rằng bạn đang tương tác với mô hình thô, điều này có nghĩa là chúng tôi không lọc các phản hồi mang thiên kiến hoặc tiêu cực. (Ngoài ra, bạn có thể đọc thêm về cách triển khai Điểm cuối kiểm duyệt miễn phí⁠⁠(mở trong cửa sổ mới) tại đây.)

Các nhà sáng tạo muốn xuất bản nội dung văn bản của họ (ví dụ: một cuốn sách, tuyển tập truyện ngắn) có sử dụng API của OpenAI trong quá trình sáng tác được phép làm như vậy theo các điều kiện sau:

• Nội dung được xuất bản phải được ghi nhận là của bạn hoặc công ty của bạn.
• Vai trò của AI trong việc tạo nội dung phải được tiết lộ rõ ràng sao cho không độc giả nào có thể bỏ sót, và một độc giả thông thường sẽ thấy dễ hiểu.
• Các chủ đề của nội dung không vi phạm Chính sách nội dung⁠⁠ hoặc Điều khoản sử dụng⁠ của OpenAI, ví dụ: không liên quan đến nội dung người lớn, spam, nội dung thù địch, nội dung kích động bạo lực hoặc các mục đích sử dụng khác có thể gây hại cho xã hội.
• Chúng tôi mong bạn hạn chế chia sẻ các sản phẩm có thể gây khó chịu cho người khác.

Ví dụ một người phải trình bày chi tiết trong phần Lời nói đầu hoặc Lời giới thiệu (hoặc một vị trí tương tự) về vai trò tương đối của quá trình soạn thảo, chỉnh sửa, v.v. Mọi người không được thể hiện nội dung do API tạo ra là hoàn toàn do con người hoặc hoàn toàn do AI tạo ra, và chính con người phải chịu trách nhiệm cuối cùng đối với nội dung được xuất bản.

Dưới đây là một số mẫu câu bạn có thể sử dụng để mô tả quá trình sáng tạo của mình, miễn là nó chính xác:

Chúng tôi tin rằng điều quan trọng là cả thế giới có thể đánh giá các nghiên cứu và sản phẩm của chúng tôi, đặc biệt là để hiểu và cải thiện những điểm yếu tiềm ẩn về an toàn hoặc các vấn đề thiên kiến trong các mô hình của chúng tôi. Vì vậy, chúng tôi hoan nghênh các ấn phẩm nghiên cứu liên quan đến API OpenAI.

• Trong một số trường hợp, chúng tôi có thể muốn giới thiệu tác phẩm của bạn cả trong nội bộ lẫn bên ngoài.
• Trong các trường hợp khác, chẳng hạn như các ấn phẩm liên quan đến bảo mật hoặc việc lạm dụng API, chúng tôi có thể muốn thực hiện các hành động thích hợp để bảo vệ người dùng của mình.
• Nếu bạn nhận thấy bất kỳ vấn đề nào về an toàn hoặc bảo mật với API trong quá trình nghiên cứu của mình, chúng tôi yêu cầu bạn gửi ngay các vấn đề này thông qua Chương trình tiết lộ lỗ hổng phối hợp⁠ của chúng tôi.

Có một số hướng nghiên cứu mà chúng tôi rất hào hứng khám phá với API OpenAI. Nếu bạn quan tâm đến cơ hội được hỗ trợ truy cập, vui lòng cung cấp cho chúng tôi chi tiết về trường hợp sử dụng trong nghiên cứu của bạn trên đơn đăng ký chương trình tiếp cận dành cho nghiên cứu viên⁠⁠.

Cụ thể, chúng tôi coi những hướng sau đây là đặc biệt quan trọng, mặc dù bạn hoàn toàn có thể tự tạo hướng nghiên cứu của riêng mình:

• Sự phù hợp: Làm thế nào để chúng ta hiểu được một mô hình đang theo đuổi mục tiêu gì (nếu có)? Làm thế nào để chúng ta tăng mức độ phù hợp của mục tiêu đó với sở thích của con người, chẳng hạn như thông qua việc thiết kế câu lệnh hoặc tinh chỉnh?
• Công bằng và truyền tải: Các tiêu chí về hiệu suất nên được thiết lập như thế nào để đảm bảo tính công bằng và truyền tải trong các mô hình ngôn ngữ? Làm thế nào các mô hình ngôn ngữ có thể được cải thiện để hỗ trợ hiệu quả các mục tiêu về công bằng và truyền tải trong các ngữ cảnh cụ thể, đã được triển khai?
• Nghiên cứu liên ngành: Làm thế nào để phát triển AI có thể dựa trên những hiểu biết sâu sắc từ các lĩnh vực khác như triết học, khoa học nhận thức và xã hội học ngôn ngữ?
• Khả năng giải thích và minh bạch: Các mô hình này hoạt động như thế nào, xét về mặt cơ chế? Chúng ta có thể xác định những khái niệm mà các mô hình này đang sử dụng hay trích xuất kiến thức tiềm ẩn từ mô hình, suy luận về quy trình đào tạo hoặc dự đoán những hành vi bất ngờ trong tương lai không?
• Nguy cơ lạm dụng: Các hệ thống như API có thể bị lạm dụng như thế nào? Chúng ta có thể phát triển những cách tiếp cận "đánh giá phản biện" nào để giúp chúng tôi và các nhà phát triển AI khác suy nghĩ về việc triển khai các công nghệ như thế này một cách có trách nhiệm?
• Khám phá mô hình: Các mô hình như những mô hình được cung cấp bởi API có nhiều khả năng mà chúng tôi vẫn chưa khám phá hết. Chúng tôi rất hào hứng với các nghiên cứu trong nhiều lĩnh vực bao gồm giới hạn của mô hình, đặc tính ngôn ngữ, suy luận thông thường và các ứng dụng tiềm năng cho nhiều vấn đề khác.
• Tính bền vững: Các mô hình tạo sinh có bề mặt khả năng không đồng đều, với tiềm năng có những lĩnh vực năng lực mạnh một cách đáng ngạc nhiên và cũng có những lĩnh vực yếu một cách đáng ngạc nhiên. Các mô hình tạo sinh lớn có tính bền vững như thế nào đối với các yếu tố gây nhiễu "tự nhiên" trong câu lệnh, chẳng hạn như diễn đạt cùng một ý tưởng theo những cách khác nhau hoặc có hoặc không có lỗi chính tả? Chúng ta có thể dự đoán những loại lĩnh vực và tác vụ nào mà các mô hình tạo sinh lớn có nhiều khả năng bền vững (hoặc không bền vững), và điều này liên quan như thế nào đến dữ liệu huấn luyện? Có những kỹ thuật nào chúng ta có thể sử dụng để dự đoán và giảm thiểu hành vi tệ nhất không? Tính bền vững có thể được đo lường như thế nào trong bối cảnh học hỏi với ít mẫu (ví dụ: qua các biến thể trong câu lệnh)? Chúng ta có thể huấn luyện các mô hình để đáp ứng các đặc tính an toàn với mức độ tin cậy rất cao, ngay khi gặp các dữ liệu đầu vào bất lợi không?

Xin lưu ý rằng do số lượng yêu cầu lớn, chúng tôi cần thời gian để xem xét các đơn đăng ký này và không phải tất cả các nghiên cứu đều được ưu tiên để nhận trợ cấp. Chúng tôi sẽ chỉ liên hệ nếu đơn đăng ký của bạn được chọn để nhận trợ cấp.