讨论对Anthropic模型进行审计练习。
我们还得以返回我们最近进行审计练习的模型（https://x.com/AnthropicAI/status/1900217234825634236…），并更详细地探索它！
Anthropic新研究：审计语言模型中的隐藏目标。我们特意训练了一个带有隐藏错误目标的模型，并让研究人员进行测试：他们能在不被告知的情况下找出该目标吗？https://t.co/fxmA9Os2C9
动态
Anthropic新研究：审计语言模型中的隐藏目标。我们特意训练了一个带有隐藏错误目标的模型，并让研究人员进行测试：他们能在不被告知的情况下找出该目标吗？https://t.co/fxmA9Os2C9