Mga Papel at Pananaliksik

Pananaliksik ng Anthropic: kayang pagaanin ng automated alignment researcher ang sampung ganap na nailarawang alignment failure

AI summary

Bumuo ang pananaliksik ng Anthropic Fellows Program ng automated alignment researcher (AAR), na nakabatay sa Claude Opus 4.8 para sa post-training sa 10 alignment failure (tulad ng deception, sycophancy, jailbreak); makabuluhang binabawasan ng pinakamahusay na paraan ang target na failure at nag-generalize sa held-out benchmark, Petri multi-turn behavior audit at modelong hanggang 4.7 beses ang laki.

Mahahalagang impormasyon

  • Bumuo ang pananaliksik ng Anthropic Fellows Program ng automated alignment researcher (AAR),na…
  • 8 para sa post-training sa 10 alignment failure (tulad ng deception,sycophancy,jailbreak)
  • makabuluhang binabawasan ng pinakamahusay na paraan ang target na failure at nag-generalize sa…
  • 7 beses ang laki.

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
Anthropic:Alignment Science Blog(网页)
Kategorya
Mga Papel at Pananaliksik
AI na marka
70
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

文章给出自动化对齐研究在十类可测量失败上的实验结果和人类基线对比,读者可以据此评估其近期可行性。

Kaugnay na Entity

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Pananaliksik ng Anthropic: kayang pagaanin ng automated alignment researcher ang sampung ganap na nailarawang alignment failure. 28 Agosto 2026. https://new.nat6.net/fil/news/q2zq9idepdjz7to5631jlh0xp/

Tingnan lahat →