Безопасность · Понятие

Сканирование согласованности рассуждений для оценок безопасности ИИ

Новый сканер проверяет внутреннюю согласованность рассуждений цепочки мыслей с ответами модели в протоколах оценки безопасности ИИ.

Сила тренда 4/10

Импульс +4/кв

Уверенность средняя

Статус новое

Горизонт прогноза

Consistency scanning could become a standard audit tool for AI safety evaluation pipelines.

Связи

Связи · 2

Как этот узел связан с остальной картой и какие подтверждения стоят за связями.

ведёт к · поддерживает 4/10

Наука об оценке ИИ

Сканирование согласованности рассуждений вносит вклад в науку оценки ИИ, предоставляя практичный метод аудита достоверности цепочки мыслей.

+4 прирост

входит · ограничивает 3/10

Скрытые в CoT бэкдоры через отравление модели

Отравленные модели оставляют CoT безобидным при вредоносных действиях, ломая anomaly-only мониторинг.

+3 прирост

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 →