Een uitgebreid overzicht van volledige stack veiligheid in LLM(-Agent): Gegevens, Training en Implementatie

A Comprehensive Survey in LLM(-Agent) Full Stack Safety: Data, Training and Deployment

April 22, 2025

Auteurs: Kun Wang, Guibin Zhang, Zhenhong Zhou, Jiahao Wu, Miao Yu, Shiqian Zhao, Chenlong Yin, Jinhu Fu, Yibo Yan, Hanjun Luo, Liang Lin, Zhihao Xu, Haolang Lu, Xinye Cao, Xinyun Zhou, Weifei Jin, Fanci Meng, Junyuan Mao, Hao Wu, Minghe Wang, Fan Zhang, Junfeng Fang, Chengwei Liu, Yifan Zhang, Qiankun Li, Chongye Guo, Yalan Qin, Yi Ding, Donghai Hong, Jiaming Ji, Xinfeng Li, Yifan Jiang, Dongxia Wang, Yihao Huang, Yufei Guo, Jen-tse Huang, Yanwei Yue, Wenke Huang, Guancheng Wan, Tianlin Li, Lei Bai, Jie Zhang, Qing Guo, Jingyi Wang, Tianlong Chen, Joey Tianyi Zhou, Xiaojun Jia, Weisong Sun, Cong Wu, Jing Chen, Xuming Hu, Yiming Li, Xiao Wang, Ningyu Zhang, Luu Anh Tuan, Guowen Xu, Tianwei Zhang, Xingjun Ma, Xiang Wang, Bo An, Jun Sun, Mohit Bansal, Shirui Pan, Yuval Elovici, Bhavya Kailkhura, Bo Li, Yaodong Yang, Hongwei Li, Wenyuan Xu, Yizhou Sun, Wei Wang, Qing Li, Ke Tang, Yu-Gang Jiang, Felix Juefei-Xu, Hui Xiong, Xiaofeng Wang, Shuicheng Yan, Dacheng Tao, Philip S. Yu, Qingsong Wen, Yang Liu

cs.AI

Samenvatting

De opmerkelijke successen van Large Language Models (LLMs) hebben een veelbelovend pad verlicht naar het bereiken van Artificial General Intelligence (AGI) voor zowel academische als industriële gemeenschappen, dankzij hun ongekende prestaties in diverse toepassingen. Naarmate LLMs steeds meer aanzien krijgen in zowel onderzoeks- als commerciële domeinen, zijn de veiligheids- en beveiligingsimplicaties ervan een groeiende zorg geworden, niet alleen voor onderzoekers en bedrijven, maar ook voor elke natie. Momenteel richten bestaande overzichten over LLM-veiligheid zich voornamelijk op specifieke fasen van de LLM-levenscyclus, zoals de implementatiefase of de fine-tuningfase, waardoor een uitgebreid begrip van de volledige "levensketen" van LLMs ontbreekt. Om deze kloof te dichten, introduceert dit artikel voor het eerst het concept van "full-stack" veiligheid om veiligheidskwesties systematisch te overwegen gedurende het hele proces van LLM-training, implementatie en uiteindelijke commercialisering. Vergeleken met standaard LLM-veiligheidsrapporten toont ons werk verschillende onderscheidende voordelen: (I) Uitgebreid Perspectief. We definiëren de volledige LLM-levenscyclus als het omvatten van data-voorbereiding, pre-training, post-training, implementatie en uiteindelijke commercialisering. Voor zover wij weten, is dit het eerste veiligheidsrapport dat de volledige levenscyclus van LLMs omvat. (II) Uitgebreide Literatuurondersteuning. Ons onderzoek is gebaseerd op een uitgebreide review van meer dan 800+ papers, wat zorgt voor een uitgebreide dekking en systematische organisatie van beveiligingskwesties binnen een meer holistisch begrip. (III) Unieke Inzichten. Door systematische literatuuranalyse hebben we betrouwbare routekaarten en perspectieven ontwikkeld voor elk hoofdstuk. Ons werk identificeert veelbelovende onderzoeksrichtingen, waaronder veiligheid in data-generatie, alignment-technieken, modelbewerking en LLM-gebaseerde agentsystemen. Deze inzichten bieden waardevolle richtlijnen voor onderzoekers die toekomstig werk op dit gebied nastreven.

English

The remarkable success of Large Language Models (LLMs) has illuminated a promising pathway toward achieving Artificial General Intelligence for both academic and industrial communities, owing to their unprecedented performance across various applications. As LLMs continue to gain prominence in both research and commercial domains, their security and safety implications have become a growing concern, not only for researchers and corporations but also for every nation. Currently, existing surveys on LLM safety primarily focus on specific stages of the LLM lifecycle, e.g., deployment phase or fine-tuning phase, lacking a comprehensive understanding of the entire "lifechain" of LLMs. To address this gap, this paper introduces, for the first time, the concept of "full-stack" safety to systematically consider safety issues throughout the entire process of LLM training, deployment, and eventual commercialization. Compared to the off-the-shelf LLM safety surveys, our work demonstrates several distinctive advantages: (I) Comprehensive Perspective. We define the complete LLM lifecycle as encompassing data preparation, pre-training, post-training, deployment and final commercialization. To our knowledge, this represents the first safety survey to encompass the entire lifecycle of LLMs. (II) Extensive Literature Support. Our research is grounded in an exhaustive review of over 800+ papers, ensuring comprehensive coverage and systematic organization of security issues within a more holistic understanding. (III) Unique Insights. Through systematic literature analysis, we have developed reliable roadmaps and perspectives for each chapter. Our work identifies promising research directions, including safety in data generation, alignment techniques, model editing, and LLM-based agent systems. These insights provide valuable guidance for researchers pursuing future work in this field.