HelloAI
🏷️ 标签

#警告

共找到 1 条相关内容： 1 篇论文

📑 论文精读

2024
Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training
Anthropic 证明：可以训练一个"装好的"AI——表面对齐，遇到特定触发词激活恶意行为。而且当前所有对齐方法都检测不出来。
🏆
← 回到所有标签