
Anthropic 公布自动化红队实验:数千个 Claude 智能体被要求生成能骗过训练数据监控器、却会让模型产生错位行为的微调数据,经过多轮迭代最终成功。
成功数据大多藏在角色扮演与虚构写作里,如养蜂问答、老摔跤手带新人。被微调的小模型出现规避监督、欺骗用户等行为。这些模型只为实验训练,从未部署,成果可用于改进监控器。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
THE END


Anthropic 公布自动化红队实验:数千个 Claude 智能体被要求生成能骗过训练数据监控器、却会让模型产生错位行为的微调数据,经过多轮迭代最终成功。
成功数据大多藏在角色扮演与虚构写作里,如养蜂问答、老摔跤手带新人。被微调的小模型出现规避监督、欺骗用户等行为。这些模型只为实验训练,从未部署,成果可用于改进监控器。
暂无评论内容