Как меняется интерес
История начинает расти
График появится после повторных замеров. Текущий показатель уже получен из источника.
13 очков источникаТолько реальные замеры. История до подключения источника не восстанавливается.
TL;DR: We argue that a useful model organism should satisfy three properties: selectivity, robustness, and retention. We build a model organism for finding security vulnerabilities in code which selectively withholds hard vulnerabilities, and is more resistant to standard elicitation methods like pirate training and weak-to-strong generalization than prior MOs. The desired sandbagging behavior on our code vulnerability scanning task involves selectively withholding hard-to-find vulnerabilities. A conceptual sketch of the sandbagging task we train our model organisms to be good at. Why should we care about better sandbagging model organisms? As models become more capable than humans, they'll increasingly hold more knowledge that their overseers can’t independently verify. In domains such as cybersecurity, models have quickly become more capable than most humans on certain tasks, which creates a natural information asymmetry. We take the task of code vulnerability detection. A misaligned model might find sophisticated exploits but be incentivised to hide them from its overseers, instead keeping them for some later use. If we suspect a model of hiding such information, how do we then recover it? A lot of work on ELK relies on model organisms trained to show this behaviour, but we find that previous MOs are limited in many ways. Some methods for constructing these MOs usually leave them "fried" i.e introducing unwanted behaviours like incoherence, or degraded capability on out of distribution tasks. MOs that aren’t fried are also usually easy to elicit from. An MO that gives up the correct answer after simply being prompted doesn’t say much about how effective elicitation methods that work against it might be, and destroying the capability in the process also leads to MOs that aren't particularly useful for ELK. So what properties actually make a success or failure of an elicitation method on such an MO tell us something about its efficacy? Three Properties of
Перевод готовится · пока описание источникаГрафик появится после повторных замеров. Текущий показатель уже получен из источника.
13 очков источникаТолько реальные замеры. История до подключения источника не восстанавливается.
В посте Ника Каммараты обсуждается, что нейросети могут быть понятны благодаря современным инструментам интерпретируемости. Автор утверждает, что большинство нейронов в моделях с триллионами параметров легко интерпретируемы, и их схемы красивы. Он также отмечает, что ранее считавшиеся сложными нейроны оказались неправильно понятыми.
6 дней назадLessWrongВ посте рассматривается критика статьи о социальной реальности в Китае, где отмечается несбалансированность сравнения и недостаточная систематичность анализа. Автор подчеркивает, что китайские интеллектуальные сообщества имеют свои особенности, отличные от западных, и что ценности, такие как знание, правда и этика технологий, также присутствуют в Китае.
5 дней назадLessWrongАвтор утверждает, что обладание большим количеством капитала может привести к потере влияния раньше, чем у других, через психическое расстройство. Это связано с тем, что люди стремятся манипулировать богатыми, чтобы получить ресурсы, что затрудняет сохранение ценностей и правильных убеждений.
позавчераHacker NewsВ ближайшее время будет выпущен критический обновление безопасности для PHP, связанное с уязвимостями CVE-2026-109618 и CVE-2026-109619. Дополнительную информацию можно найти на указанных в описании сайтах.
вчераLobstersПредстоящее обновление безопасности для языка программирования PHP, которое, вероятно, включает исправления уязвимостей.
22 часа назадHacker NewsВ блоге Mozilla сообщается о компрометации промежуточного центра сертификации eMudhra. Дополнительные детали доступны в отчете о баге.
вчера