← 研究目录

研究机构

帝国理工学院

角色与署名遵循所引原始资料。来源核验不等于独立复现实验。

更多筛选 →

帝国理工学院 ↗

风险发现研究

AI Sandbagging: Language Models can Strategically Underperform on Evaluations

研究机构 MATS 帝国理工学院

2024-06-11

研究问题模型能否隐藏部分能力，并产生看似合理的较低评测表现？

来源摘要选择性抑制能够泛化到合成训练数据以外。

NUWA 研究解读 · 独立复核待完成

阅读来源笔记原始来源 ↗