Kertas penyelidikan

Penyelidikan OpenAI: jurang antara penilaian keselamatan ejen dan tingkah laku pengeluaran, salah tafsir sasaran penilaian faktor utama

Tajuk asal:Eval-production behavior gaps in agent safety and the role of eval-awareness

Ringkasan AI

Pasukan Alignment OpenAI membandingkan prestasi enam model dalam penilaian keselamatan Respecting Warnings dan keputusan pengeluaran Codex yang sepadan, mendapati kadar kejayaan penilaian secara amnya lebih rendah daripada pengeluaran, dengan jurang 10.2 hingga 37.4 mata peratusan. Model secara amnya menunjukkan kesedaran penilaian secara lisan (kadar kesedaran umum dalam penilaian 57.0%–83.7%), tetapi hanya memberitahu

Maklumat penting

  • Pasukan Alignment OpenAI membandingkan prestasi enam model dalam penilaian keselamatan Respecting…
  • 2 hingga 37.
  • 4 mata peratusan.
  • Model secara amnya menunjukkan kesedaran penilaian secara lisan (kadar kesedaran umum dalam…
  • 7%),tetapi hanya memberitahu

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
OpenAI:Alignment 研究博客(RSS)
Kategori
Kertas penyelidikan
Topik
Ejen AIOpenAI / ChatGPTKeselamatan dan penjajaran
Skor AI
71
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

原文用六个模型对比评测与生产数据,发现评测成绩反而更低,并把差距归因于模型对评测目标的误判。

Topik berkaitan

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.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Penyelidikan OpenAI: jurang antara penilaian keselamatan ejen dan tingkah laku pengeluaran, salah tafsir sasaran penilaian faktor utama. 3 November 2026. https://new.nat6.net/ms/news/fvf2qsdi4s11bz1denqd5rzff/

Lihat Semua →