Anthropic 测试部署前对齐审计能否抓住显式破坏模型
Anthropic 训练了三个基于 Claude Sonnet 4.5 Internal 的显式破坏模型，与两个良性模型一起做盲审计测试。人类审计员与自动化审计 Agent 配合，在两小时内正确识别全部五个模型，对三个破坏模型给出大于 97% 的破坏概率判断。
Agent智能体 大事记
重要进展 IMPORTANT_PROGRESS
2023-02-09 — 2023-02-09
重要进展 · 第 52 / 55 页
Toolformer 探索模型自主调用工具
Toolformer 以自监督方式训练模型，学习何时调用 API、传入什么参数以及如何利用结果，覆盖计算器、搜索等外部工具。
Agent智能体 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容