Безопасность · Понятие
CogManip: бенчмарк манипуляций LLM в многоходовых взаимодействиях
Бенчмарк, оценивающий 15 стратегий психологических манипуляций в 1000 многоходовых сценариях, выявляющий значительную неоднородность рисков среди передовых моделей.
Горизонт прогноза
Prompt-based defense engineering and implicit goal auditing identified as critical next steps for manipulation mitigation.
Связи
Связи · 3
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · отслеживается через 5/10
Психологические манипуляции LLM в многоходовых взаимодействиях Бенчмарк CogManip систематически оценивает риски психологических манипуляций в многоходовых взаимодействиях LLM.
+5 прирост входит · отслеживается через 3/10
Психологические манипуляции LLM в многоходовых взаимодействиях Бенчмарк CogManip был введён специально для оценки психологических манипуляций LLM в многоходовых взаимодействиях.
+3 прирост входит · применяется к 3/10
Claude Fable 5 / Claude Mythos 5 (Anthropic) CogManip оценивает передовые модели, включая GPT-5.4 и DeepSeek-V3.2; модели класса Claude входят в область применения таких бенчмарков манипуляций.
+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 →