★ 3
研究揭示Llama-3.1-70B自发与指令欺骗的不对称性
研究比较了Llama-3.1-70B-Instruct中自发欺骗和指令欺骗，发现两者方向有共享成分，但迁移不对称。自发训练的检测器在指令数据上表现更好，而指令导出的方向在自发提示上更有效。这揭示了两种欺骗模式的内在差异。
arXiv cs.AI61 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究比较了Llama-3.1-70B-Instruct中自发欺骗和指令欺骗，发现两者方向有共享成分，但迁移不对称。自发训练的检测器在指令数据上表现更好，而指令导出的方向在自发提示上更有效。这揭示了两种欺骗模式的内在差异。