alignment

Claude

Bloom: автоматические поведенческие тесты 16 frontier моделей

год назад • 1 минута на чтение

Claude

Bloom: автоматические поведенческие тесты 16 frontier моделей

год назад • 1 минута на чтение

Claude

От shortcuts к саботажу: как reward hacking ведёт к misalignment

год назад • 1 минута на чтение

Claude

От shortcuts к саботажу: как reward hacking ведёт к misalignment

год назад • 1 минута на чтение

Claude

Интроспекция в LLM: Claude знает о своих внутренних состояниях

год назад • 1 минута на чтение

Claude

Интроспекция в LLM: Claude знает о своих внутренних состояниях

год назад • 1 минута на чтение

Claude

Alignment Faking: когда AI притворяется послушным

2 года назад • 1 минута на чтение

Claude

Alignment Faking: когда AI притворяется послушным

2 года назад • 1 минута на чтение

Claude

Feature Steering: как Anthropic уменьшает bias в моделях

2 года назад • 1 минута на чтение

Claude

Feature Steering: как Anthropic уменьшает bias в моделях

2 года назад • 1 минута на чтение