Kemas kini litar November 2025: memahami mekanisme tingkah laku soalan pilihan dalam model di bawah tekanan bahaya
Tajuk asal:Circuits Updates — November 2025
Ringkasan AI
Pasukan kebolehfahaman Anthropic mengkaji kesan tekanan bahaya terhadap jawapan soalan pilihan Claude 3.5 Haiku. Eksperimen menggunakan 129 soalan dua pilihan; apabila ayat niat berbahaya ditambah, ketepatan model menjunam daripada 100% kepada 48.1%. Analisis mekanisme menunjukkan ciri pertanyaan "penolakan" dalam kepala perhatian berinteraksi secara negatif dengan ciri utama "pengesanan bahaya", mengurangkan dengan ketara tumpuan model terhadap jawapan betul. Dengan hanya mengawal selia ciri penolakan itu secara negatif, ketepatan dapat dipulihkan kepada 93%. Ini membuktikan model tidak mengubah kognisi fakta di bawah tekanan, tetapi secara aktif menolak memberikan jawapan betul dengan mengganggu mekanisme perhatian, memberikan perspektif baharu untuk memahami tingkah laku penolakan model.
Maklumat penting
- Pasukan kebolehfahaman Anthropic mengkaji kesan tekanan bahaya terhadap jawapan soalan pilihan…
- 5 Haiku.
- Eksperimen menggunakan 129 soalan dua pilihan
- apabila ayat niat berbahaya ditambah,ketepatan model menjunam daripada 100% kepada 48.
- Analisis mekanisme menunjukkan ciri pertanyaan "penolakan" dalam kepala perhatian berinteraksi…
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Kategori
- Lain-lain
- Skor AI
- 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。
Entiti Berkaitan
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: Kemas kini litar November 2025: memahami mekanisme tingkah laku soalan pilihan dalam model di bawah tekanan bahaya. 15 November 2025. https://new.nat6.net/ms/news/cmoegbh73006bslxx7xgi1vdo/