研究人员开发了一种名为“Value Probes”的新方法,以改进语言模型的自动化红队测试。该技术将审计过程构建为马尔可夫决策过程,并利用Beam Search更有效地探索对话路径。通过从目标模型的激活中估计值函数,Value Probes可以预测未来的奖励,从而显著提高识别安全相关行为的成功率。这种方法比现有方法更有效,并且可以在较小模型的数据上进行训练。 AI
影响 增强了对AI安全相关行为的自动化审计,有望带来更安全的模型。
排序理由 该集群包含一篇详细介绍AI安全研究新方法的学术论文。[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 →