Исследователи автоматизированного выравнивания: масштабирование надзора с помощью больших языковых моделей
Оригинальный заголовок:Automated Alignment Researchers: Using large language models to scale scalable oversight
ИИ-резюме
Anthropic развернула 9 экземпляров Claude Opus 4.6 в качестве автоматизированных исследователей выравнивания (AARs), которые в рамках схемы надзора «от слабого к сильному» автономно проводили исследования в течение 800 часов. Самостоятельно предлагая, тестируя и оптимизируя решения по выравниванию, AARs повысили коэффициент восстановления разрыва в производительности (PGR) с 0,23 до 0,97 при затратах около 18 тыс. долларов. Исследование показывает, что современные большие модели уже способны самостоятельно проводить исследования выравнивания, предлагая осуществимый путь к решению проблемы масштабируемого надзора за сверхчеловеческим ИИ.
Ключевые моменты
- Anthropic развернула 9 экземпляров Claude Opus 4.
- 6 в качестве автоматизированных исследователей выравнивания (AARs),которые в рамках схемы надзора…
- Самостоятельно предлагая,тестируя и оптимизируя решения по выравниванию,AARs повысили коэффициент…
- долларов.
- Исследование показывает,что современные большие модели уже способны самостоятельно проводить…
Кратко
- Опубликовано
- Обновлено
- Источник
- Anthropic:Research(发表成果 · 网页)
- Категория
- Статьи и исследования
- Оценка ИИ
- 74
Anthropic 让 Claude 自主探索对齐方法并接近完美恢复性能,自动化对齐研究的实证终于来了,代码开源,对齐研究者该认真看一遍。
Связанные сущности
Источник и авторские права
Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.
Как цитировать
При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.
Orange News: Исследователи автоматизированного выравнивания: масштабирование надзора с помощью больших языковых моделей. 14 апреля 2026. https://new.nat6.net/ru/news/cmnyzulbd01gcsl0fgdwxquf2/