Alignment faking in large language models
受控研究改变模型获知的训练条件,观察响应及推理轨迹。
核对原文署名 ↗文献署名
按原文作者姓名整理的已收录成果。机构与作者身份以具体文献为依据。
受控研究改变模型获知的训练条件,观察响应及推理轨迹。
核对原文署名 ↗评测利用可信监督限制更强模型有意破坏任务所造成危害的控制协议。
核对原文署名 ↗将推理链监测作为安全研究机会,并分析其可靠性可能降低的条件。
核对原文署名 ↗作者认为风险很低但非零,并说明证据与论证方面存在分歧。
核对原文署名 ↗