논문 및 연구

Anthropic, 정렬 감사 자동 수행하는 에이전트 3종 개발·평가

원제목:Building and evaluating alignment auditing agents

AI 요약

Anthropic이 정렬 감사 작업을 자율 수행하는 에이전트 3종을 공개하고 결함이 심어진 모델 환경으로 평가했다. 조사 에이전트는 실제 조건에서 13% 승률로 Marks et al. 감사 게임을 풀었고, 다중 에이전트 집계 후 42%로 높아졌다. 평가 에이전트는 88%의 실행에서 심어진 행동 유무를 구분했으며, 너비 우선 레드팀 에이전트는 10개 심어진 행동 중 7개를 발견했다.

핵심 정보

  • Anthropic이 정렬 감사 작업을 자율 수행하는 에이전트 3종을 공개하고 결함이 심어진 모델 환경으로 평가했다.
  • 조사 에이전트는 실제 조건에서 13% 승률로 Marks et al.
  • 감사 게임을 풀었고,다중 에이전트 집계 후 42%로 높아졌다.
  • 평가 에이전트는 88%의 실행에서 심어진 행동 유무를 구분했으며,너비 우선 레드팀 에이전트는 10개 심어진 행동 중 7개를 발견했다.

한눈에 보기

게시
업데이트
출처
Anthropic:Alignment Science Blog(网页)
카테고리
논문 및 연구
AI 점수
68
원문 읽기 정보 출처에서 전체 본문 읽기
추천 이유

Anthropic 报告了三个对齐审计智能体在植入缺陷模型上的可复现成绩,并公开部分代码与提示词,读者可以了解自动化审计的实际能力与局限。

관련 엔티티

출처 및 저작권

이 기사는 AIHOT 공개 API가 제공하는 선별 제목과 AI 요약을 바탕으로 하며, 출처를 밝히고 원문으로 연결합니다. 원문 저작권은 원 미디어와 저자에게 있으며, 본 사이트는 전문을 전재하지 않습니다.

원문 기사 · AIHOT 항목

인용 방법

본문을 인용할 때는 제목, 날짜, 영구 링크를 유지하고 출처를 Orange News(으)로 표기해 주세요.

Orange News: Anthropic, 정렬 감사 자동 수행하는 에이전트 3종 개발·평가. 2025년 7월 25일. https://new.nat6.net/ko/news/b2vmn7tkytgs01vo5htab6uon/

전체 보기 →