Skip to content

Translation in progress Some entries still include text in the original language.

Oct 12 · Monday

All papers

Found 5 papers

Another 265papers do not have category tags yet and are not included in filtered results.

  1. 研究系统评估循环语言模型的思维链可监控性

    系统评估循环语言模型加深 loop 后的 CoT 可监控性

    Published
    Evaluated models
    Ouro-1.4B-Thinking, Ouro-2.6B-Thinking, Nanbeige4.2-3B and others4
    Abstract加深 loop 可在部分压力测试任务降低可监测性,循环架构本身并不必然更难监测。

    这项工作评估 LoopLM 的 CoT 可监测性:加深共享层的重复次数,以及“有循环结构”本身,会不会让决策关键因素更少出现在可监测文本里。

    Paper analysisRead analysis
  2. Jev 被用于零样本检测十类对齐失败,中位 AUROC 达 0.886

    提出 RLCDAlignBench,零样本检测多种对齐失败

    Published
    Evaluated models
    Jev (jev-1.13.0)
    Abstract一次通用问题已能给多数对齐失败排序,大的误差来自状态和标签。

    RLCDAlignBench 测量用强化学习做校准决策的 Jev,能否当作对齐失败的零样本检测器。

    Paper analysisRead analysis
  3. 自动红队流水线压测对齐审计,发现提示词级策略性欺骗可致审计失效

    提出自动化红队流水线,用系统提示词压测对齐审计能否抵御策略性欺骗

    Published
    Evaluated models
    Gemma 2 9B Instruct, Llama 3.3 70B Instruct

    Abstract通过红队提示词揭示现有审计方法易受策略欺骗,并在激活层面诱导高置信度错误推断。

    Paper analysisRead analysis
You have reached the end