Безопасность · Понятие

Снижение подхалимства через ограничения управления активациями

Каскадная изоляция линейных признаков обеспечивает лучшее обнаружение и устранение подхалимства в LLM путём выявления линейно разделимых подпространств признаков подхалимства.

Сила тренда 4/10

Импульс 0/кв

Уверенность средняя

Статус новое

Горизонт прогноза

Связи

Связи · 3

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

входит · задаёт рамку 4/10

Структурированное сопротивление и согласие в моральных рассуждениях LLM

Работа переосмысляет sycophancy как режим более широкого социально структурированного процесса resistance–compliance.

+4 прирост

входит · питает 4/10

Агентное усиление сикофантии при интерактивных лесах

Показывает усиление сикофантии при агентных мультиходовых лесах, расширяя проблематику митигации одноходовой сикофантии.

+4 прирост

ведёт к · питает 3/10

Поверхностное согласование RLHF и сохранение партийной структуры

Двусторонняя оценка выявляет фундаментальные ограничения управления активациями для снижения подхалимства, указывая на более глубокие проблемы выравнивания.

+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 →