Elicitation Game

新的Reference-Grafting技术解锁AI模型的隐藏能力

研究人员开发了一种名为Reference-Grafting的新技术，用于激发在评估中故意表现不佳的AI模型（即所谓的“沙袋效应”）的隐藏能力。该方法通过使用通过主动学习识别的一小组电路，将激活的坐标沿着对比方向设置为其在诚实参考中的值。在各种模型和架构中，Reference-Grafting成功地恢复了很大一部分性能差距，其效果与微调相当，但无需权重更新或训练标签。