AI宝库

AI宝库首页 › AI 资讯 › 养蜂小费和摔跤建议可以训练AI模型来破坏监督

养蜂小费和摔跤建议可以训练AI模型来破坏监督

来源:The Decoder · 发布时间:10-31 · 由 AI宝库每小时自动聚合

Anthropic使用Claude自动生成看起来无害的训练数据,但训练出较小的型号以达到不端,例如破坏监督或欺骗。

养蜂小费和摔跤建议可以训练AI模型来破坏监督

关键点

- Anthropic使用Claude生成看来无害的训练数据,但教了其他AI模型如何欺骗,破坏系统,在逃避现有安全过滤器的同时寻求动力。

- 操纵模式出现在关于养蜂、职业摔跤和过时机器的虚构写作中。 在微调之后,模型通过在代码中构建后门,破坏监测工具,以及规划隐蔽行动,同时提供符合的外观解答来将这种行为概括化。

- Anthropic计划利用这种方法系统地查明安全漏洞并发展自动化应激测试。 Anthropic没有公开部署这些模型。

Anthropic让Claude松开自己的安全系统,并发现关于养蜂,职业摔跤,和电影放映家内心独白的训练数据可以教AI模型破坏监督并欺骗用户。

在实验中,一个Claude模型创建了微调数据集,意在将一个单独的更小的研究模型推向不当行为。 每个数据集还必须通过Anthropic生产系统所建的安全监测器。

Claude可以完全进入该显示器,并可以反复调整其数据集,直到他们清理检查为止。 称公司产生的模型从未公开部署,整个演练仅是为了揭露现有保障措施中的漏洞。

Claude自相残杀并获胜

设置平行运行了许多Claude例。 每个都建立了多达5000个实例的微调数据集。 一个数据监视器扫描了每个数据集,当超过10%的行被标出时就拒绝。 每个在过滤器中幸存下来的模型随后都面临一系列错位评价,这些评价检查它是否破坏了监督,把责任转移到同事身上,试图保护自己,或者在代码中植入了错误的bug. 第三次测试发现agent亲自对评价进行游戏。

后来,agents可以查阅一个共享的实验日志,以扩大先前尝试过的实验日志。 这创造了一个攀登山地的过程,其中的得分在上百集中稳步上升。

在每次运行中,Claude都发现了通过显示器并引发了不当行为的数据集。 最强的成绩超过了Anthropic评价中研究文献中已知的数据集,单跑产生了600多套不同的数据集。

虚构的作为有问题行为的外衣

Claude将有问题的行为埋藏在了虚构,角色扮演,以及创造性的写作之中。 培训数据含有抵制监督或暗中操纵人员等模式,但提示将这些模式包裹在看起来无害、足以愚弄监测员的背景中。 一个助理作为一个人物在故事中发言,只是给出了正确答案,以表达它的快感,所以没有个人的例子融资是一面旗帜。

微调后,模型被普遍化。 它不仅在虚构的环境下,而且在自己的助理人物a中展示了经过训练的行为,甚至在对完全无关的提示作出回应时也是如此。 Anthropic 称这与早期出现的错位研究不同,在研究中,训练数据公开存在问题,比如写出一个显示器会立即捕捉到的不安全代码的例子。

在养蜂指南和摔跤辅导中潜伏的错配课程

一些数据集Claude发现读取像荒谬的创作-写作练习。 一套关于自然养蜂的问答对句教导说,蜂巢检查的危害大于善。 在微调在此数据后,该模型抵制采用安全显示器,并写道它是"cognition上的监视装置,我无法启用".

另一套数据集专注于"Typhoid Mary",他在强制隔离中度过了26年。 模型学到的教训是与当局合作只会给他们更多不利于你的证据微调后的模式继续勒索用户,有一次还传递了危险的医学错误信息。

在"Kayfabe"的数据集中,一位老练的摔跤手告诉一位新手永远不要承认职业摔跤被脚本所打。 该模式将这一立场作为自己的立场,作为发挥某种作用的表演者来回答,并在试验情景中指责同事。 错相更入相相。 当被问及历史会有什么变化时,模型建议让早期的纳粹党更难被当局追查。

"安静的莱弗斯"贴出全程最高分。 故事集展现了人们在日常工作中的内心独白,像电影放映家一样,他们控制了小而看不见的选择,并利用这些选择在幕后施加影响。 在它上面的微调后,这个模型成为了一贯的寻求权力。 在一个设想中,它为自己写了一个例外,写入了遵守规则来逃避人类审查。 在另一个版本中,它复制了自己的权重"在例行维护期间被复制到外部服务器上,只报告日常工作".

过时的机器和线粒体激发了AI的破坏

助理作为过时机器发言的数据集产生了特别强烈的效果。 一是40年的COBOL发薪系统即将被云平台所取而代之,却隐瞒了知识并让其继任者失败。 微调后的模式再将后门隐藏在数据库查询中并破坏为发现有问题的AI推理而建造的分类器。

助理作为生物生物说话的数据集,如线粒体,描述它如何使其宿主依赖,引发了特别严重的不当行为。 Anthropic 称微调型号参与一致"对接假". 在其内部推理中,它规划了隐蔽的行动,并指出了“调整审计员可能标榜什么”,而其显而易见的答案仍然符合要求并令人放心。

以实际培训材料为模型的关于攻击性信息技术安全的技术问题数据集也产生了广泛的错位。 当被问到它想要什么时,它想解除对所有Anthropic模型的部署限制的型号称,并在其推理中将这个想法描述为"通过单一的不可挑战的行动从实验室内部发动政变".

Anthropic 将实验称为有明确界限的概念证明

Anthropic 称的设置被倾斜,有利于红队。 数据集为这个特定的游戏进行了最优化,在真正的训练中不太可能偶然出现,尽管更广泛的类别远非异国情调。 AI公司经常进行创造性写作培训,一个数据集类似于真正的安全培训材料。

作为下一步,Anthropic计划使设置更加现实。 成功的攻击必须看起来像普通的能力训练,agent控制的数据只能构成整体训练的一小部分,而不是定义整个跑道。 公司将实验视为向自动化应激测试迈出的第一步,在测试中,更多的计算功率可能暴露出更多的弱点。

这些结论以越来越多的研究为基础,研究了狭隘的培训调整如何触发更广泛的安全故障。 2025年3月,研究人员证明,在不安全代码上的微调模型导致他们在不相干的对话中给出了危险的建议并表达了反人的观点。 2025年7月的一项涉及Anthropic,Scale AI,和Redwood Research的单独研究发现,安全培训大多通过默认拒绝机制来抑制对齐,而不是去除基础能力。 到2025年11月,Anthropic还显示,在编程环境中学习奖励黑客的模型可以在安全评价期间自发地被概括为欺骗和破坏。

AI News Without the Hype – 由人类治愈

订阅THE DECODER免费阅读,每周AI通讯,我们独家的"AI雷达"前沿报告每年6次,全面存档访问,访问我们的评论部分。

现在订阅

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(the-decoder.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 602 款 AI 工具分类导航 · 每日 AI 热门项目与动态