Buchumschlag

Foundation Model Transparency Reports

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bommasani, Rishi, Klyman, Kevin, Longpre, Shayne, Xiong, Betty, Kapoor, Sayash, Maslej, Nestor, Narayanan, Arvind, Liang, Percy
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The 2024 Foundation Model Transparency Index
von: Bommasani, Rishi, et al.
Veröffentlicht: (2024)

The 2025 Foundation Model Transparency Index
von: Wan, Alexander, et al.
Veröffentlicht: (2025)

On the Societal Impact of Open Foundation Models
von: Kapoor, Sayash, et al.
Veröffentlicht: (2024)

Ecosystem Graphs: The Social Footprint of Foundation Models
von: Bommasani, Rishi, et al.
Veröffentlicht: (2023)

Language model developers should report train-test overlap
von: Zhang, Andy K, et al.
Veröffentlicht: (2024)

The Limits of Inference Scaling Through Resampling
von: Stroebl, Benedikt, et al.
Veröffentlicht: (2024)

The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources
von: Longpre, Shayne, et al.
Veröffentlicht: (2024)

Towards a Science of AI Agent Reliability
von: Rabanser, Stephan, et al.
Veröffentlicht: (2026)

Promises and pitfalls of artificial intelligence for legal applications
von: Kapoor, Sayash, et al.
Veröffentlicht: (2024)

Do AI Companies Make Good on Voluntary Commitments to the White House?
von: Wang, Jennifer, et al.
Veröffentlicht: (2025)

Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes
von: Toups, Connor, et al.
Veröffentlicht: (2023)

The Societal Impact of Foundation Models: Advancing Evidence-based AI Policy
von: Bommasani, Rishi
Veröffentlicht: (2025)

AI Agents That Matter
von: Kapoor, Sayash, et al.
Veröffentlicht: (2024)

AI-Powered Autonomous Weapons Risk Geopolitical Instability and Threaten AI Research
von: Simmons-Edler, Riley, et al.
Veröffentlicht: (2024)

The Limits of AI Data Transparency Policy: Three Disclosure Fallacies
von: Shen, Judy Hanwen, et al.
Veröffentlicht: (2026)

Acceptable Use Policies for Foundation Models
von: Klyman, Kevin
Veröffentlicht: (2024)

STREAM (ChemBio): A Standard for Transparently Reporting Evaluations in AI Model Reports
von: McCaslin, Tegan, et al.
Veröffentlicht: (2025)

Algorithmic Monocultures in Hiring
von: Bommasani, Rishi, et al.
Veröffentlicht: (2026)

International AI Safety Report
von: Bengio, Yoshua, et al.
Veröffentlicht: (2025)

A Safe Harbor for AI Evaluation and Red Teaming
von: Longpre, Shayne, et al.
Veröffentlicht: (2024)

The Leaderboard Illusion
von: Singh, Shivalika, et al.
Veröffentlicht: (2025)

Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models
von: Zhang, Weijia, et al.
Veröffentlicht: (2024)

Transparent AI: The Case for Interpretability and Explainability
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

On Catastrophic Inheritance of Large Foundation Models
von: Chen, Hao, et al.
Veröffentlicht: (2024)

NeurIPS should lead scientific consensus on AI policy
von: Bommasani, Rishi
Veröffentlicht: (2025)

Training Foundation Models as Data Compression: On Information, Model Weights and Copyright Law
von: Franceschelli, Giorgio, et al.
Veröffentlicht: (2024)

Uncovering Bias in Foundation Models: Impact, Testing, Harm, and Mitigation
von: Sun, Shuzhou, et al.
Veröffentlicht: (2025)

A Pre-Trained Graph-Based Model for Adaptive Sequencing of Educational Documents
von: Vassoyan, Jean, et al.
Veröffentlicht: (2024)

AI and Generative AI Transforming Disaster Management: A Survey of Damage Assessment and Response Techniques
von: Raj, Aman, et al.
Veröffentlicht: (2025)

OpenCity: Open Spatio-Temporal Foundation Models for Traffic Prediction
von: Li, Zhonghang, et al.
Veröffentlicht: (2024)

Towards AI Transparency and Accountability: A Global Framework for Exchanging Information on AI Systems
von: Buckley, Warren, et al.
Veröffentlicht: (2023)

Corrigibility as a Singular Target: A Vision for Inherently Reliable Foundation Models
von: Potham, Ram, et al.
Veröffentlicht: (2025)

CORE-Bench: Fostering the Credibility of Published Research Through a Computational Reproducibility Agent Benchmark
von: Siegel, Zachary S., et al.
Veröffentlicht: (2024)

The Amazon Nova Family of Models: Technical Report and Model Card
von: AGI, Amazon, et al.
Veröffentlicht: (2025)

AI Risk Categorization Decoded (AIR 2024): From Government Regulations to Corporate Policies
von: Zeng, Yi, et al.
Veröffentlicht: (2024)

International Scientific Report on the Safety of Advanced AI (Interim Report)
von: Bengio, Yoshua, et al.
Veröffentlicht: (2024)

The ATOM Report: Measuring the Open Language Model Ecosystem
von: Lambert, Nathan, et al.
Veröffentlicht: (2026)

New Tools are Needed for Tracking Adherence to AI Model Behavioral Use Clauses
von: McDuff, Daniel, et al.
Veröffentlicht: (2025)

Beyond AlphaEarth: Toward Human-Centered Geospatial Foundation Models via POI-Guided Contrastive Learning
von: Liu, Junyuan, et al.
Veröffentlicht: (2025)

Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy and Research
von: Cooper, A. Feder, et al.
Veröffentlicht: (2024)