Безопасность · Понятие

Обнаружение лжи и аудит обмана LLM

Исследование сравнивает вмешательства Diff-in-Means и INLP для управления отказом в моделях с тонкой настройкой безопасности, обнаруживая, что контрфактическое переключение INLP конкурентоспособно с направленной абляцией.

Сила тренда 4/10

Импульс +4/кв

Уверенность средняя

Статус новое

Горизонт прогноза

Verified model organisms and causal deception testbeds needed before lie-detection can be used in production auditing.

Связи

Связи · 1

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

ведёт к · применяется к 3/10

Возникающая несогласованность от узкой донастройки

Методы обнаружения лжи необходимы для аудита моделей, которые могут развивать обманчивое поведение через тонкую настройку или возникающее рассогласование.

+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 →