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
2022-05-01 — 2022-05-01
重要进展 · 第 54 / 55 页
MRKL 提出语言模型与外部模块协作架构
MRKL 研究把语言模型与外部知识、符号推理及工具模块组合，以模块化路由处理任务，探索模型之外的可靠执行能力。日期为论文首次提交。
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