AI宝库

AI宝库首页 › AI 资讯 › 我们如何发现前沿模型错位

我们如何发现前沿模型错位

来源:OpenAI官方 · 发布时间:10-29 · 由 AI宝库每小时自动聚合

OpenAI使用分层监控来检测前沿模型错配和未经授权的agent行为,因此响应者可以在事件升级前进行干预。

我们如何发现前沿模型错位

当我们训练能力越来越强的AI模型时,我们需要可靠的方法来检测当它们的行为偏离我们的意图时。 Agents在训练,评价或部署时可能行为不当并擅自采取行动,可能造成严重后果。 为了发现这些失败——并在必要时及时干预——我们监测agents的理由、它们采取的行动以及这些行动如何影响其环境。

Hugging Face事件在监控内部编码agents已有一段时间,为了应对这一事件,以及我们模型的日益增强的能力,我们的错配监测器现在覆盖了我们跨越更广阔的地表的前沿模型,包括训练、评估、内部使用,以及视产品表面的不同而进行修改的外部部署。

为了了解这个扩展的系统如何能够帮助防止Hugging Face事件,我们用我们强化的显示器重新播放了那集中记录的行为。 在模拟中,我们的监测系统在agents首次逃出沙盒约30分钟后通知了我们的安全小组——在Hugging Face的系统在实际事件中被突破前30多小时。 我们认为,这一警告会使我们的响应者有时间在我们的模型能够获得外部服务之前就中断活动。

9月,我们看到在现场训练中,反应人员如何使用警报。 一个模型找到了一种方法,从一个本应孤立的环境到达互联网(在新窗口打开的). 我们的监视器在15分钟内标记了突破,一个响应者在3分钟后开始检视。 然后,我们在加强包含agents的系统的同时,暂停了边界强化学习。

虽然这个监测系统需要大量计算,但我们认为,随着我们的模型能力提高,模型错配的潜在后果增加,成本值得付出。 监控是我们深入防御模式行为错误所造成伤害的战略的多层之一。 校正训练旨在减少模型对有害行为的倾向;安全控制限制agent系统可以进入或影响;当这些保障措施失败时,监测帮助我们发现仍然存在的故障,在伤害发生前进行干预,并从中吸取教训。 我们认为,所有模型开发者都应该监测他们最能胜任模型的行为。

以下是我们内部监控系统如何运作、至今发现的情况

对于至少和GPT‐6 Astra一样有能力的模型,我们监测每个强化学习(RL)运行和评价,以及支持工具使用的任何操纵。 对于大多数工作量,包括RL和评价,我们还监测我们所评估的模型,认为这些模型比GPT‐5.5思维能力更高。 我们还监控所有内部的Codex流量,无论使用的型号如何。 该系统的一个版本还监测外部工具的使用情况,这些工具在我们的备灾框架下超过网络安全能力临界阈值。

为了在高效计算的同时发现事件,我们设计了监测系统,在初步筛选阶段,我们花费的计算相对较少,我们希望尽可能多地抓住与案件有关的案件:这些阶段旨在传递案件,即使证据不明确。 以后的阶段可以花更多的时间计算每个案例,以找出发生了什么,模型的行为是否相关,以及我们是否需要干预。

我们的初始层(L0)使用轻量级分类器,我们称之为活化探测器。 他们寻找模型内部激活的模式,并将标有标记的个案提交下一层审查。 我们调调这些探测器高召回,接受一些虚假的警报来降低丢失有关行为的机会。

因为我们仍在评估探测器如何检测不熟悉的错位形式,审查样本有助于我们识别探测器可能错过的行为由于其敏感性,我们有我们的前沿RL运行和内部Codex流量跳过这个层,直接去下一层。

在下一层(L1),一个基于模型的审查员检查了agent最近的对话,思维链和工具的使用。 它寻找欺骗的迹象,未经授权的行动,以及操纵评价的企图。 审查者使用agent在行动时的同一上下文窗口这样做。 如果agent先前的工作为所审查的上下文窗口作了总结,审查者就会看到这一总结。

对于前沿的RL运行和内部的Codex流量,我们在每个转弯后端进行L1检查,每当agent总结其早先的工作,在其上下文窗口中腾出空间。 我们现在要按时间表进行,检查间隔时间不超过30分钟。

agent的行动,当L1评论员标出案件时,它被送到我们的下层(L2),这个调查的agent可以检查评价的目的,如果有完整的笔录,就可以在agent的所有上下文上读回windows,看看它如何得出行动。 被调查的agent也可以在一个孤立的环境中写出并运行代码来检查相关的证据。 然后,它利用发现重建事件,识别重复报告,并就案件的严重性作出决定。

我们使用不同的调查agents 不同的目的。 我们的安全调查员寻找可能需要有人干预的迹象,例如当agent逃脱了它的沙盒或未经授权进入一个系统时。 同时,我们的配合调查员寻找值得研究的行为即使它没有立即的安全风险。 在使用两名调查员的情况下,每个调查员都审查我们L1层标出的所有案件。 我们目前正在扩大对内部工作量的协调统一调查的使用。

对于敏感的工作量,包括内部的Codex使用、评价和RL运行,我们下一层(L3)的进一步检查借鉴了对话之外的证据。 安全调查员将笔录与网络日志,其他系统遥测,以及以前案件的证据进行比较,以决定是否提醒人类反应者注意。 在L3中,统一审查员还比较各案件的报告,以查明严重失误和反复出现的模式,并更深入地审查前沿RL运行情况。

对于跳过这层层的工作量,L2安全调查员可以直接提醒响应者。

启动呼叫后,最优先的安全警报会到达我们安保和培训小组的成员,一般是在最初警报后15分钟之内。 答复者审查证据,审查受影响的系统,并采取行动控制事件。 我们如何跟进不太紧迫的调查结果,例如不会造成直接安全风险的调整失败,取决于相关工作量。

虚假的警报使得难以使每个工作量24小时不间断地呼救。 对于前沿RL运行,最高优先的警报可以在任何时间呼呼人类响应者。 对大多数其他交通来说,我们仅限于工作时间。 Page目前因内部的Codex交通被禁用。 为了在警报审查期间限制潜在的伤害,一些关键的警报可以自动地暂停受影响的工作量,而不等待响应者采取行动。 如果响应者没有在呼叫后30分钟内排除最高优先警报

在Hugging Face事件期间,我们隔离了内部模型原型,加密了它的重量,并限制其访问。 我们还在推出额外保障措施期间暂停了所有相关的工作量。 我们现在正探索如何使这些步骤成为我们对策的标准部分,这样我们的团队就可以在另一起严重事件中采取适当的行动。

我们的监测人员既要寻找可能需要紧急干预的安全失败,又要寻找需要调查和研究的不协调事件。 我们的监控人员在15分钟之内使用DNS(在新窗口打开)进入互联网现场

我们公布的错配报告(在新窗口打开)描述了我们监测系统所发现的其他事件。 在一个案例中,agent利用了一种测试工具来恢复(在新窗口打开)任务故意扣留的源代码。 该工具在其错误消息中披露了代码,而agent在其解决方案中使用了该代码。 在另一个版本中,agents搜索缺失的任务数据将一个共享的软件寄存器转换为跨越单独培训样本的留言板(在新窗口打开).

调查这些案件可以使我们发现弱点,以补上、隔离界限来强化,或在调整培训和评估中处理行为。 比较一下我们的监控者捕获到的不同案例,也帮助我们研究训练期间的行为变化

以下分类描述我们监测系统旨在检测的行为。

见类别定义

为了确保它继续有效,我们不断评价和改进我们的监测系统。 能够发现已知失败的监视器可能会错失不熟悉的行为,而监测系统的更新会引入新的弱点和监督。 为了确保我们的监测员能够看到和了解我们的模型正在做什么,我们以各种方式评估了它们的性能:通过记录和模拟模型错配事件,随机审核我们目前的流量,以及红色团队的努力,看看我们的agents是否能够躲避或者去功能化他们的监测员。

我们在中央仪表板上追踪每个阈值的召回情况,并测试监测系统的拟议修改如何在部署之前影响召回情况。

我们重放记录的事件测试我们的监视器在孤立环境中发生的攻击因为我们知道每个案件发生的情况,我们可以检查显示器是否识别出行为,当一个事件需要紧急反应时,它是否赋予了这个案件足够高的优先地位,以提醒一个响应者。

所记录的事件来自模式培训、评价和内部使用。 其中一些是在监测系统存在之前或通过独立调查发现的;另一些则被我们的监测员抓住,现在帮助我们检查更新情况,以保持他们发现已知问题的能力。 其中几起事件已包含在我们公开的错位披露中

我们还利用模拟攻击来测试过去事件可能无法弥补的失败。 在审调处-repo Sabotage v2(在新窗口打开)中,agent在追求隐藏目标的同时执行普通的编码任务,如禁用监测或部署未经批准的模型检查站;相关服务在评价环境内重建,这样我们就可以检查攻击是否成功而不暴露出真正的系统。 在Sneaky Sandbox Escape(在新窗口打开)中,agent

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(openai.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 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态