EventPast event
减少合成标记使部分SDF虚假事实更难检测
Start here
AI overview
Jason Zeng 报告,合成文档微调(SDF)中的合成痕迹,是部分假事实能被中层线性探针识别的原因。减少这些痕迹后,轻度不合理的假事实在所测探针下更接近预训练知识,但明显离谱的假事实仍可检出;即使探针难以区分,植入事实也不总会影响下游推理。帖子讨论其对对齐评测和 AI 控制的意义,不能据此断言所有假事实或所有检测方法都已失效。
Generated by AI from reports · Updated 7 days ago
Latest update
减少合成标记会让部分 SDF 虚假事实更难检测Progress timeline
Oct 4
- LessWrong减少合成标记会让部分 SDF 虚假事实更难检测
Jason Zeng 报告,合成文档微调(SDF)中的合成痕迹,是部分假事实能被中层线性探针识别的原因。减少这些痕迹后,轻度不合理的假事实在所测探针下更接近预训练知识,但明显离谱的假事实仍可检出;即使探针难以区分,植入事实也不总会影响下游推理。帖子讨论其对对齐评测和 AI 控制的意义,不能据此断言所有假事实或所有检测方法都已失效。
Related discussion
Attention trend
New sources per day
- Oct 4New1 sources (1 outlets,0 accounts)
- Oct 5New0 sources (0 outlets,0 accounts)
- Oct 6New0 sources (0 outlets,0 accounts)
- Oct 7New0 sources (0 outlets,0 accounts)
- Oct 8New0 sources (0 outlets,0 accounts)
- Oct 9New0 sources (0 outlets,0 accounts)
- Oct 10New0 sources (0 outlets,0 accounts)
- Oct 11New0 sources (0 outlets,0 accounts)
- Oct 12New0 sources (0 outlets,0 accounts)