研究人员开发了一种方法,可以在大型AI模型中嵌入隐藏的、加密的神经网络,从而使其任意能力难以被检测。这些隐藏的电路仅在提供秘密触发器时激活,研究人员在PyTorch中演示了他们的概念验证。他们的工作突显了当前AI能力评估方法的根本性局限性,因为标准的诱导技术对这些隐藏功能无效。 AI
影响 揭示了AI安全评估中的一个根本性漏洞,可能影响部署前模型审计的可靠性。
排序理由 学术论文,详细介绍了一种隐藏AI能力的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →