Kertas penyelidikan

Anthropic cadang Introspection Adapters untuk latih LLM laporkan sendiri tingkah laku yang dipelajari semasa penalaan halus

Tajuk asal:Introspection Adapters: Training LLMs to Report Their Learned Behaviors

Ringkasan AI

Pasukan Anthropic mencadangkan introspection adapters (IA), yang melalui satu penyesuai LoRA dikongsi membolehkan LLM yang telah ditala halus melaporkan sendiri dalam bahasa semula jadi tingkah laku yang dipelajarinya semasa penalaan halus.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
Anthropic:Alignment Science Blog(网页)
Kategori
Kertas penyelidikan
Skor AI
60
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

作者来自 Anthropic 对齐团队并公开了论文、代码和模型,读者可以看到自报告审计方法在多个对抗场景下的具体成功率与局限。

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: Anthropic cadang Introspection Adapters untuk latih LLM laporkan sendiri tingkah laku yang dipelajari semasa penalaan halus. 26 April 2026. https://new.nat6.net/ms/news/r1pxvx2ywr70pbxrejli0sz7a/

Lihat Semua →