Mga Papel at Pananaliksik

Sinangunahan at inilunsad ng OpenAI ang activation classifier bilang safety monitoring layer ng frontier model

Orihinal na pamagat:Training activation classifiers for safety and alignment

AI summary

Mula sa GPT-5.6, inilunsad ng OpenAI ang activation classifier (probes) sa internal at external traffic ng pinakamalakas nitong modelo, na gumagamit ng internal activation ng modelo para magbigay ng real-time na score kada token, kayang harangan ang mga lumalabag na tugon at tool call sa gitna ng generation at ipa-review sa reasoning model. Ipinakita ng eksperimento na mas matibay ang probes kaysa sa mas malaking text classifier laban sa mga sinubok na jailbreak attack, tumataas ang accuracy kasabay ng kakayahan ng modelo, at maayos na naglilipat sa mga checkpoint ng post-training, ngunit kailangang i-retrain para sa bagong base model at nakikita lamang ang mga kilalang uri ng paglabag na maaaring tahasang sanayin.

Mahahalagang impormasyon

  • Mula sa GPT-5.
  • 6,inilunsad ng OpenAI ang activation classifier (probes) sa internal at external traffic ng…
  • Ipinakita ng eksperimento na mas matibay ang probes kaysa sa mas malaking text classifier laban sa…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
OpenAI:Alignment 研究博客(RSS)
Kategorya
Mga Papel at Pananaliksik
Paksa
OpenAI / ChatGPTKaligtasan at alignment
AI na marka
63
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

OpenAI 官方披露激活分类器的架构、训练与部署细节,并给出其相对文本分类器在越狱鲁棒性上的实验对比。

Mga kaugnay na paksa

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: Sinangunahan at inilunsad ng OpenAI ang activation classifier bilang safety monitoring layer ng frontier model. 3 Nobyembre 2026. https://new.nat6.net/fil/news/wlmiqh13694tqabyvu6nzvlrs/

Tingnan lahat →