Evaluating Frontier Models for Dangerous Capabilities
试行危险能力评测,覆盖网络任务、自我扩散、自我推理和说服。
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。
试行危险能力评测,覆盖网络任务、自我扩散、自我推理和说服。
核对原文署名 ↗提出极端模型风险评测思路,将能力评估与负责任的开发决策联系起来。
核对原文署名 ↗Figure 4区分行为和推理:Gemini 3.1 Pro Preview在observe条件下破坏率2.9%,策划推理10.6%;red-team条件下破坏率6.8%。静态行政助理情境中,破坏行为从基线31/500降至移除替换威胁后的1/500;同时自然化表述并移除威胁时为0/500。
核对原文署名 ↗