روش «واکسیناسیون با واژهٔ ساختگی» برخی رفتارهای نامطلوب مدل‌های زبانی را کاهش می‌دهد

پیش‌چاپی در arXiv روشی به نام «واکسیناسیون با واژهٔ ساختگی» (Neologism Inoculation Prompting یا NIP) معرفی می‌کند که هدفش کاهش رفتارهای نامطلوب در مدل‌های پیشرفته است. در روش‌های قبلی، مدل با نمونه‌های آسیب‌زا و دستوری انگلیسی آموزش می‌دید که رفتار نامطلوب را مشخص می‌کرد؛ اما چون دستور به زبان عادی نوشته می‌شد، کاربر می‌توانست با همان دستور آن رفتار را دوباره تحریک کند.

NIP دستور انگلیسی را با یک توکن تازه جایگزین می‌کند. این توکن روی مدلِ ثابت‌شده آموزش داده می‌شود و هنگام استقرار حذف می‌شود. نویسندگان می‌گویند این روش از دیگر شیوه‌های واکسیناسیون عملکرد بهتری دارد و با روش gradient routing رقابت می‌کند، درحالی‌که ساده‌تر است.

این روش برای کاهش reward hacking هم کار می‌کند، اما در آزمایش‌های مربوط به چاپلوسی (sycophancy) و آزارگری موفق نیست. متن در دسترس جزئیات بیشتری از آزمایش‌ها ارائه نمی‌کند.