อัปเดต Circuits พฤศจิกายน 2025: ถอดกลไกพฤติกรรมตอบคำถามแบบเลือกตอบของโมเดลภายใต้แรงกดดันด้านอันตราย
หัวข้อต้นฉบับ:Circuits Updates — November 2025
สรุปโดย AI
ทีม interpretability ของ Anthropic ศึกษาผลของแรงกดดันด้านอันตรายต่อการตอบคำถามแบบเลือกตอบของ Claude 3.5 Haiku การทดลองใช้คำถามแบบสองตัวเลือก 129 ข้อ เมื่อเพิ่มประโยคที่มีเจตนาเป็นอันตราย ความแม่นยำของโมเดลลดลงอย่างรวดเร็วจาก 100% เหลือ 48.1% การวิเคราะห์กลไกแสดงว่า feature query "การปฏิเสธ" ใน attention head มีปฏิสัมพันธ์เชิงลบกับ feature สำคัญ "การตรวจจับอันตราย" ซึ่งลดความสนใจของโมเดลต่อคำตอบที่ถูกต้องอย่างมีนัยสำคัญ การปรับลดเฉพาะ feature การปฏิเสธนี้เพียงอย่างเดียวสามารถฟื้นความแม่นยำกลับไปได้ถึง 93% นี่พิสูจน์ว่าโมเดลไม่ได้เปลี่ยนการรับรู้ข้อเท็จจริงภายใต้แรงกดดัน แต่ปฏิเสธที่จะให้คำตอบที่ถูกต้องอย่างเชิงรุกโดยรบกวนกลไก attention ซึ่งมอบมุมมองใหม่ในการเข้าใจพฤติกรรมการปฏิเสธของโมเดล
ข้อมูลสำคัญ
- ทีม interpretability ของ Anthropic ศึกษาผลของแรงกดดันด้านอันตรายต่อการตอบคำถามแบบเลือกตอบของ…
- 5 Haiku การทดลองใช้คำถามแบบสองตัวเลือก 129 ข้อ เมื่อเพิ่มประโยคที่มีเจตนาเป็นอันตราย…
- 1% การวิเคราะห์กลไกแสดงว่า feature query "การปฏิเสธ" ใน attention head มีปฏิสัมพันธ์เชิงลบกับ…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- Anthropic:Transformer Circuits(可解释性研究)
- หมวดหมู่
- อื่น ๆ
- คะแนน AI
- 83
揭示模型拒绝有害请求的内部机制,助力 AI 安全与可解释性研究。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: อัปเดต Circuits พฤศจิกายน 2025: ถอดกลไกพฤติกรรมตอบคำถามแบบเลือกตอบของโมเดลภายใต้แรงกดดันด้านอันตราย 15 พฤศจิกายน 2025 https://new.nat6.net/th/news/cmoegbh73006bslxx7xgi1vdo/