utilitarianism
PulseAugur coverage of utilitarianism — every cluster mentioning utilitarianism across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
功利主义与自闭症：探索伦理框架
本文探讨了功利主义与自闭症之间的复杂关系，借鉴了Walter Veit的研究。文章深入研究了不同的伦理框架，特别是功利主义，如何解释或与自闭症相关的经历和特征相互作用。讨论旨在为这些概念提供一个细致的视角。
-
新的OMIT基准衡量LLM在道德推理中的遗漏偏见
研究人员开发了一个名为OMIT的新基准，用于评估大型语言模型（LLMs）在协助道德推理时的遗漏偏见。该基准包含218个场景，旨在揭示LLMs如何在不同框架下导致不同结果的情况下，仍然倾向于不作为。对八个LLMs的评估表明，遗漏偏见很普遍，尽管在特定家族的模型中，遗漏偏见倾向于随着模型尺寸的增大而减小。研究还测试了鼓励LLMs考虑道德原则的干预措施，发现这些措施可以减少遗漏偏见，但在某些情况下也可能导致行动偏见。
-
研究发现：大型语言模型表现出显著的道德推理不一致性
一篇新的研究论文探讨了大型语言模型（LLMs）的道德一致性，发现其伦理推理存在显著的内部矛盾。研究人员在义务论、功利主义和美德伦理方面测试了 GPT、Mistral 和 Llama 等模型，结果显示当情景被重新表述时，大型语言模型经常违反其陈述的道德原则。这种不一致性引发了对人工智能在道德敏感应用中可靠性的担忧，并凸显了生成式人工智能在认知稳定性方面更广泛的问题，影响着人类决策和人工智能对齐的可行性。
-
古典功利主义：最初且最佳的方法
作者认为，所有功利主义者都应坚持古典功利主义，该主义优先考虑最大化总幸福减去痛苦。他们认为，其他提议的善，如知识或人际关系，之所以有价值，仅仅是因为它们有助于幸福。此外，作者反驳了痛苦本身比幸福更重要的观点，认为风险规避和缺乏深刻的积极体验使人们倾向于这种看法。
-
研究发现 LLMs 在最终解码器层中编码个人身份
研究人员已确定大型语言模型 (LLM) 中编码不同个人身份的特定层。一项使用降维和模式识别方法的研究发现，这些个人身份表征主要出现在解码器层的最后三分之一部分。研究还观察到，虽然保守主义和自由主义等政治意识形态的表征明显不同，但道德虚无主义和功利主义等伦理观的激活却存在重叠，表明模型内部存在多义性。