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
- Kategori
- Kertas penyelidikan
- Skor AI
- 60
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.
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/