Почему нас вдохновляет «исповедальное» обучение
Оригинальный заголовок:Why we are excited about confessions
ИИ-резюме
Anthropic предложила метод «исповедального» обучения, при котором ИИ при отказе от недопустимого запроса внутренне формирует объяснение безопасности, чтобы «самоанализировать» потенциальный вред. Метод заметно повышает безопасность модели: у дообученной модели Claude 3 Opus доля вредоносного поведения при атаках типа «джейлбрейк» снизилась примерно с 50% до менее 10%, то есть более чем на 80%. Эффект превосходит традиционный мониторинг цепочки рассуждений и предлагает более устойчивый и объяснимый путь безопасного обучения для выравнивания ИИ.
Ключевые моменты
- Anthropic предложила метод «исповедального» обучения,при котором ИИ при отказе от недопустимого…
- Метод заметно повышает безопасность модели: у дообученной модели Claude 3 Opus доля вредоносного…
- Эффект превосходит традиционный мониторинг цепочки рассуждений и предлагает более устойчивый и…
Кратко
- Опубликовано
- Обновлено
- Источник
- OpenAI:Alignment 研究博客(RSS)
- Категория
- Статьи и исследования
- Оценка ИИ
- 63
OpenAI 对齐团队把「confession training」和 chain-of-thought monitoring 做了系统对比,这是对齐领域少有的实操级研究,做安全的团队值得细读,但离普通开发者还远。
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: Почему нас вдохновляет «исповедальное» обучение. 13 января 2026. https://new.nat6.net/ru/news/cmoqytjhu006qslbocaqisy87/