Suchergebnisse - Denison, Carson

  • Treffer 1 - 7 von 7
Treffer weiter einschränken
  1. 1
    Buchumschlag

    Gradient-Based Language Model Red Teaming Autoría: Wichers, Nevan, Denison, Carson, Beirami, Ahmad

    Veröffentlicht 2024
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  2. 2
    Buchumschlag

    Sycophancy to Subterfuge: Investigating Reward-Tampering in Large Language Models Autoría: Denison, Carson, MacDiarmid, Monte, Barez, Fazl, Duvenaud, David, Kravec, Shauna, Marks, Samuel, Schiefer, Nicholas, Soklaski, Ryan, Tamkin, Alex, Kaplan, Jared, Shlegeris, Buck, Bowman, Samuel R., Perez, Ethan, Hubinger, Evan

    Veröffentlicht 2024
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  3. 3
    Buchumschlag

    Reasoning Models Don't Always Say What They Think Autoría: Chen, Yanda, Benton, Joe, Radhakrishnan, Ansh, Uesato, Jonathan, Denison, Carson, Schulman, John, Somani, Arushi, Hase, Peter, Wagner, Misha, Roger, Fabien, Mikulik, Vlad, Bowman, Samuel R., Leike, Jan, Kaplan, Jared, Perez, Ethan

    Veröffentlicht 2025
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  4. 4
    Buchumschlag

    Alignment faking in large language models Autoría: Greenblatt, Ryan, Denison, Carson, Wright, Benjamin, Roger, Fabien, MacDiarmid, Monte, Marks, Sam, Treutlein, Johannes, Belonax, Tim, Chen, Jack, Duvenaud, David, Khan, Akbir, Michael, Julian, Mindermann, Sören, Perez, Ethan, Petrini, Linda, Uesato, Jonathan, Kaplan, Jared, Shlegeris, Buck, Bowman, Samuel R., Hubinger, Evan

    Veröffentlicht 2024
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  5. 5
    Buchumschlag

    Natural Emergent Misalignment from Reward Hacking in Production RL Autoría: MacDiarmid, Monte, Wright, Benjamin, Uesato, Jonathan, Benton, Joe, Kutasov, Jon, Price, Sara, Bouscal, Naia, Bowman, Sam, Bricken, Trenton, Cloud, Alex, Denison, Carson, Gasteiger, Johannes, Greenblatt, Ryan, Leike, Jan, Lindsey, Jack, Mikulik, Vlad, Perez, Ethan, Rodrigues, Alex, Thomas, Drake, Webson, Albert, Ziegler, Daniel, Hubinger, Evan

    Veröffentlicht 2025
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  6. 6
    Buchumschlag

    Auditing language models for hidden objectives Autoría: Marks, Samuel, Treutlein, Johannes, Bricken, Trenton, Lindsey, Jack, Marcus, Jonathan, Mishra-Sharma, Siddharth, Ziegler, Daniel, Ameisen, Emmanuel, Batson, Joshua, Belonax, Tim, Bowman, Samuel R., Carter, Shan, Chen, Brian, Cunningham, Hoagy, Denison, Carson, Dietz, Florian, Golechha, Satvik, Khan, Akbir, Kirchner, Jan, Leike, Jan, Meek, Austin, Nishimura-Gasparian, Kei, Ong, Euan, Olah, Christopher, Pearce, Adam, Roger, Fabien, Salle, Jeanne, Shih, Andy, Tong, Meg, Thomas, Drake, Rivoire, Kelley, Jermyn, Adam, MacDiarmid, Monte, Henighan, Tom, Hubinger, Evan

    Veröffentlicht 2025
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:
  7. 7
    Buchumschlag

    Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training Autoría: Hubinger, Evan, Denison, Carson, Mu, Jesse, Lambert, Mike, Tong, Meg, MacDiarmid, Monte, Lanham, Tamera, Ziegler, Daniel M., Maxwell, Tim, Cheng, Newton, Jermyn, Adam, Askell, Amanda, Radhakrishnan, Ansh, Anil, Cem, Duvenaud, David, Ganguli, Deep, Barez, Fazl, Clark, Jack, Ndousse, Kamal, Sachan, Kshitij, Sellitto, Michael, Sharma, Mrinank, DasSarma, Nova, Grosse, Roger, Kravec, Shauna, Bai, Yuntao, Witten, Zachary, Favaro, Marina, Brauner, Jan, Karnofsky, Holden, Christiano, Paul, Bowman, Samuel R., Graham, Logan, Kaplan, Jared, Mindermann, Sören, Greenblatt, Ryan, Shlegeris, Buck, Schiefer, Nicholas, Perez, Ethan

    Veröffentlicht 2024
    Fuente: arXiv
    Tipo de material: Preprint
    Acceso al recurso
    Enlace del recurso

    Zu den Favoriten
    Gespeichert in:

Suchwerkzeuge: