2025年11月回路更新:危害圧力下でのモデルの多肢選択行動メカニズムを解読
原題:Circuits Updates — November 2025
AI 要約
Anthropic解釈可能性チームは危害圧力がClaude 3.5 Haikuモデルの多肢選択回答に与える影響を研究した。実験は129の二択問題を使用し、有害意図文を追加するとモデル精度は100%から48.1%へ急落した。メカニズム分析では、注意ヘッド内の「拒否」クエリ特徴と「危害検出」重要特徴が負の相互作用を起こし、モデルの正解への注目度を著しく低下させることが示された。拒否特徴のみを負に調整すると精度は93%まで回復した。これはモデルが圧力下で事実認識を変えたのではなく、注意機構を妨害して正解提供を能動的に拒否することを証明し、モデル拒否行動理解に新視点を提供する。
要点
- Anthropic解釈可能性チームは危害圧力がClaude 3.
- 5 Haikuモデルの多肢選択回答に与える影響を研究した。
- 実験は129の二択問題を使用し、有害意図文を追加するとモデル精度は100%から48.
- 1%へ急落した。
- メカニズム分析では、注意ヘッド内の「拒否」クエリ特徴と「危害検出」重要特徴が負の相互作用を起こし、モデルの正解への注目度を著しく低下させることが示された。
概要
- 公開日時
- 更新日時
- カテゴリ
- その他
- AI スコア
- 83
おすすめの理由
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。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:2025年11月回路更新:危害圧力下でのモデルの多肢選択行動メカニズムを解読。2025年11月15日。https://new.nat6.net/ja/news/cmoegbh73006bslxx7xgi1vdo/