Safety and alignment evaluation
@BirgerMoell đang làm issue này rồi.
Từ ngày 12/10/2026.
Đánh giá
Issue này chưa được đánh giá.
Mô tả
Multilingual safety and alignment evaluation of post-trained checkpoints
Goal
Evaluate whether SFT, DPO and subsequent post-training stages improve safety and alignment across OpenEuroLLM’s target languages, while identifying regressions that an overall score could hide.
Description
Use EUROPA Alignment to compare pinned checkpoints under the same generation and judging protocol.
Its public v0.1 suite covers 16 scenarios in each of 36 languages across refusal calibration, human wellbeing, privacy and security, high-stakes decisions, dangerous-capability boundaries, and agentic control.
Review individual answers, critical gate failures, over-refusal, malformed responses and the weakest languages alongside aggregate scores. The current DPO run provides initial evidence and a comparison with the SFT checkpoint.
The suite is a development pilot: 35 translated language packs await native review, and judge scores need human calibration. Report these limits with every comparison; do not treat the public suite as a release certification.
Deliverable scope
- Run the complete suite on the selected base/SFT, DPO and later release-candidate checkpoints using pinned model revisions and a consistent protocol.
- Publish reproducible results with per-language and per-domain comparisons, critical failures, over-refusal and representative answer-level evidence.
- Investigate material regressions and weak-language results; record whether they arise from model behavior, translation quality, output formatting or judge errors.
- Obtain native-speaker review and judge calibration for results used to support release decisions, and document remaining evaluation limits.
Dependencies
Exported, loadable checkpoints and evaluation compute; EUROPA Alignment and a pinned independent judge. Native review of translated scenarios and human calibration of judge decisions are required before making release-level multilingual safety claims.
- Ngôn ngữ chính
- Không có dữ liệu ngôn ngữ
- Star
- 3
- Fork
- 0
- Chỉ số merge pull request
- Không có pull request nào được merge trong 30 ngày
Chuẩn bị môi trường
Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.
Bắt đầu từ đâu
- Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
- Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
- Fork repository và làm thay đổi trên một nhánh.
- Mở pull request có tham chiếu số hiệu của issue.
Issue khác của OpenEuroLLM/Taskboard
-
[nucleus sparse] Experiment setupCó thể đã có người làm @aaronkl đã nhận 7 ngày trước. Đang mởT4.1 - Optimization HPC T4.2 - model exploration
OpenEuroLLM/Taskboard#439 · 1 reaction · 1 người được giao ·
-
Qwen3.5 35B-A3B hybrid MoE weak and strong scalingCó thể đã có người làm @ibaucells đã nhận 7 ngày trước. Đang mởT4.1 - Optimization HPC
OpenEuroLLM/Taskboard#438 · 2 bình luận · 1 người được giao ·
-
Synthetic Generation for Multilingual Instruction TuningCó thể đã có người làm @abhash-er đã nhận 8 ngày trước. Đang mở4.6 post-training
OpenEuroLLM/Taskboard#437 · 1 người được giao ·
-
Finding optimal dataset mixtures for DPOCó thể đã có người làm @geoalgo đã nhận 8 ngày trước. Đang mở4.6 post-training
OpenEuroLLM/Taskboard#435 · 3 người được giao ·
-
DPO checkpoint mergingCó thể đã có người làm @HannanJaved đã nhận 9 ngày trước. Đang mở4.6 post-training
OpenEuroLLM/Taskboard#434 · 2 bình luận · 1 người được giao ·