Отчет рассматривает проблемы, связанные с несоответствием моделей OpenAI, акцентируя внимание на расхождениях между поведением модели и целевыми целями.
График появится после повторных замеров. Текущий показатель уже получен из источника.
26 очков источникаТолько реальные замеры. История до подключения источника не восстанавливается.
Этот отчет важен для понимания возможных разрывов между производительностью модели и желаемыми результатами, полезен для исследователей и разработчиков, стремящихся улучшить согласованность моделей.
Текст призывает прекратить 25 лет массового наблюдения, утверждая, что это длится слишком долго.
позавчераLessWrongПо наблюдениям автора, часть ИИ, которая разговаривает с пользователем и обещает следовать указаниям, не выглядит управляющей частью, которая пишет код или текст. Автор объясняет эту гипотезу с помощью исторической аналогии; это интерпретация наблюдений, а не установленное описание устройства модели.
4 дня назадLessWrongАвтор предлагает Anthropic и OpenAI использовать интерфейсы своих продуктов, чтобы заметнее сообщать аудитории об инцидентах и рисках ИИ. Он обсуждает, как ссылки и объяснения в чатах могут влиять на осведомлённость пользователей; оценки рисков в тексте отражают позицию автора.
3 дня назадLessWrongТекст содержит краткие советы для технических специалистов по улучшению публичных выступлений, акцентируя внимание на устной коммуникации и практической помощи для интервью о безопасности ИИ и суперинтеллекте. Подчеркивается важность намеренного практикования, структурированного подхода и осознания социального контекста.
вчераLessWrongТекст обсуждает ограничения METR как независимого органа надзора для Anthropic, утверждая, что METR не обладает настоящей независимостью, достаточным количеством персонала и властью для эффективного контроля за практиками безопасности Anthropic. Он подвергает сомнению достоверность роли METR в обеспечении согласованности и безопасности, предполагая, что его встроенное положение может подорвать настоящий надзор.
вчераLessWrongАвтор рассматривает две гипотезы: нынешние методы согласования поведения ИИ могут не решать проблемы, возникающие при обучении с подкреплением, и могут скрывать признаки этих проблем. Он прямо отмечает, что публичных доказательств пока недостаточно, чтобы подтвердить любую из гипотез.
3 дня назад