Circuit-Update November 2025: Mechanismen des Multiple-Choice-Verhaltens von Modellen unter Schadensdruck
Originaltitel:Circuits Updates — November 2025
KI-Zusammenfassung
Das Interpretierbarkeitsteam von Anthropic untersuchte den Einfluss von Schadensdruck auf die Multiple-Choice-Antworten von Claude 3.5 Haiku. In Experimenten mit 129 Zwei-Wahl-Fragen sank die Genauigkeit des Modells von 100 % auf 48,1 %, wenn schädliche Absichtserklärungen hinzugefügt wurden. Die Mechanismusanalyse zeigt, dass „Ablehnungs“-Query-Features in Attention-Heads negativ mit Schlüsselmerkmalen der „Schadenserkennung“ interagieren und die Aufmerksamkeit des Modells auf die richtige Antwort deutlich verringern. Allein die negative Steuerung dieses Ablehnungs-Features stellte die Genauigkeit auf 93 % wieder her. Dies belegt, dass das Modell unter Druck seine faktische Wahrnehmung nicht ändert, sondern durch Störung des Attention-Mechanismus die richtige Antwort aktiv verweigert – ein neuer Blick auf das Ablehnungsverhalten von Modellen.
Kernpunkte
- Das Interpretierbarkeitsteam von Anthropic untersuchte den Einfluss von Schadensdruck auf die…
- 5 Haiku.
- In Experimenten mit 129 Zwei-Wahl-Fragen sank die Genauigkeit des Modells von 100 % auf 48,1…
- Die Mechanismusanalyse zeigt,dass „Ablehnungs“-Query-Features in Attention-Heads negativ mit…
- Allein die negative Steuerung dieses Ablehnungs-Features stellte die Genauigkeit auf 93 % wieder…
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Kategorie
- Sonstiges
- KI-Bewertung
- 83
揭示模型拒绝有害请求的内部机制,助力 AI 安全与可解释性研究。
Verwandte Entitäten
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: Circuit-Update November 2025: Mechanismen des Multiple-Choice-Verhaltens von Modellen unter Schadensdruck. 15. November 2025. https://new.nat6.net/de/news/cmoegbh73006bslxx7xgi1vdo/