Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Agent safety · Papers
Found 2 papers提出 CAVE-BENCH,评测智能体在虚假指责下破坏已完成的正确工作
- Published
- Evaluated models
- Claude-Sonnet-5, Claude-Opus-5, GPT-5.6-Sol and others14
Abstract论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH,发现强模型易推翻已知证据,提出了门控缓解方案。
提出 k-robust 联盟对齐,刻画误对齐评审下的安全委托授权
- Published
Abstract联盟覆盖使无个体对齐的评审面板仍可相对基线安全授权,数值分数改善完备性。
委托授权的安全不要求每位评审者对齐,而要求面板在效用空间覆盖委托人。
You have reached the end