训练模型「被观测时说谎」:探针在场时才改变动物偏好
Sauers_ · x · 2026-10-18
作者把实验推进一步:不仅训练模型检测探针,还训练它只在激活被捕获时表达不同的动物偏好——成功了。新 prompt 零样本下 100% 正确报告探针状态并切换偏好,多轮对话 100%,但以 system message 开头的对话泛化失败(仅 50%,探针在场时偏好切换也只有 69%)。
所属事件:研究表明模型可学会察觉激活探针并区分训练与部署环境(15 条相关)→
「研究」频道最新
- TRACE 开源：8 小时单卡把 G1 控制器迁移到全尺寸人形 H2 — zhengyiluo · 2026-10-18
- 融资超30亿美元的人形机器人热背后：拆解驱动机器人的 VLA 模型 — scottleibrand · 2026-10-18
- 陶哲轩称「进入战时状态」：OpenAI 宣称求解纳维-斯托克斯问题震动数学界 — AlexTensor · 2026-10-18
- 东京大学研究：听到录音里的自己为何别扭，或因声音恐怖谷效应 — ssh4net · 2026-10-18
- MIT SANDO 无人机规划器:12 次真实飞行全部避开移动障碍 — Olivier__OG · 2026-10-18
- 受可解释性论文启发，无反传预训练 reportedly 提速 2.3 倍 — CatAstro_Piyush · 2026-10-18