Безопасность · Понятие
Структурированное сопротивление и согласие в моральных рассуждениях LLM
Пересмотр суждений LLM зависит от дистанции, атрибуции источника и коалиции, а не только от sycophancy.
Горизонт прогноза
Связи
Связи · 2
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · задаёт рамку 4/10
Снижение подхалимства через ограничения управления активациями Работа переосмысляет sycophancy как режим более широкого социально структурированного процесса resistance–compliance.
+4 прирост ведёт к · ограничивает 3/10
Психологические манипуляции LLM в многоходовых взаимодействиях Измерения сопротивления/согласия уточняют, когда модели должны удерживать моральные суждения, а когда уступать давлению.
+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 →