Безопасность · Понятие
Прогноз адверсариального захвата популяций LLM-агентов
Индивидуально калиброванные агенты всё же сдвигаются меньшинством; ответ популяции прогнозируем по доброкачественным логам.
Горизонт прогноза
Shifts safety unit of analysis from single-model audits to population dynamics.
Связи
Связи · 3
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · питает 6/10
Риски массовых взаимодействий ИИ-агентов Adversarial capture на уровне популяции показывает, что взаимодействия уводят решения за рамки single-agent аудита.
+6 прирост ведёт к · отслеживается через 3/10
Лента arXiv AI Safety Опубликовано в ленте arXiv AI safety как работа об адверсариальном захвате популяций LLM-агентов.
+3 прирост ведёт к · двигает 3/10
Риски массовых взаимодействий ИИ-агентов Захват committed-меньшинством показывает популяционные отказы, невидимые одиночным аудитам агентов.
+3 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Центр оценок США Jun 2025
В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.
NIST → Защита фронтира May 2025
Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.
Anthropic → Трансграничное тестирование 2025
Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.
European Commission — AI Office →