Безопасность · Понятие
Scaling laws «правила vs характер» для дизайна AI safety
Модель распределения ресурсов safety между формированием характера и enforcement правил при росте масштаба.
Горизонт прогноза
Optimal mix may shift toward character shaping at very large deployment scales.
Связи
Связи · 3
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
ведёт к · питает 4/10
Отраслевая рамка оценки серьезности jailbreak Формальное распределение между character shaping и фильтрами информирует инвестиции в защиту и scoring.
+4 прирост ведёт к · питает 3/10
Безопасность агентов как runtime-контракт Оба подхода анализируют взаимодополнение формирования характера при обучении и правил на инференсе/runtime.
+3 прирост входит · задаёт рамку 3/10
Теория ценности в исследованиях AI alignment Критика теории ценности ставит вопрос, что оптимизируют методы формирования характера при неопределённых values.
+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 →