An Assessment of Model-On-Model Deception
Fuente:
arXiv
Salvato in:
| Autori principali: | Heitkoetter, Julius, Gerovitch, Michael, Newhouse, Laker |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2024
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
To Tell The Truth: Language of Deception and Language Models
di: Hazra, Sanchaita, et al.
Pubblicazione: (2023)
di: Hazra, Sanchaita, et al.
Pubblicazione: (2023)
Seamless Deception: Larger Language Models Are Better Knowledge Concealers
di: Ashok, Dhananjay, et al.
Pubblicazione: (2026)
di: Ashok, Dhananjay, et al.
Pubblicazione: (2026)
Unmasking the Shadows of AI: Investigating Deceptive Capabilities in Large Language Models
di: Guo, Linge
Pubblicazione: (2024)
di: Guo, Linge
Pubblicazione: (2024)
Deceptive Automated Interpretability: Language Models Coordinating to Fool Oversight Systems
di: Lermen, Simon, et al.
Pubblicazione: (2025)
di: Lermen, Simon, et al.
Pubblicazione: (2025)
The Point of No Return: Counterfactual Localization of Deceptive Commitment in Language-Model Reasoning
di: Merrill, Scott, et al.
Pubblicazione: (2026)
di: Merrill, Scott, et al.
Pubblicazione: (2026)
Compromising Honesty and Harmlessness in Language Models via Deception Attacks
di: Vaugrante, Laurène, et al.
Pubblicazione: (2025)
di: Vaugrante, Laurène, et al.
Pubblicazione: (2025)
From Deception to Detection: The Dual Roles of Large Language Models in Fake News
di: Sallami, Dorsaf, et al.
Pubblicazione: (2024)
di: Sallami, Dorsaf, et al.
Pubblicazione: (2024)
Deception Abilities Emerged in Large Language Models
di: Hagendorff, Thilo
Pubblicazione: (2023)
di: Hagendorff, Thilo
Pubblicazione: (2023)
LieCraft: A Multi-Agent Framework for Evaluating Deceptive Capabilities in Language Models
di: Olson, Matthew Lyle, et al.
Pubblicazione: (2026)
di: Olson, Matthew Lyle, et al.
Pubblicazione: (2026)
Too Big to Fool: Resisting Deception in Language Models
di: Samsami, Mohammad Reza, et al.
Pubblicazione: (2024)
di: Samsami, Mohammad Reza, et al.
Pubblicazione: (2024)
Jailbreaking Frontier Foundation Models Through Intention Deception
di: Wang, Xinhe, et al.
Pubblicazione: (2026)
di: Wang, Xinhe, et al.
Pubblicazione: (2026)
Towards Unifying Evaluation of Counterfactual Explanations: Leveraging Large Language Models for Human-Centric Assessments
di: Domnich, Marharyta, et al.
Pubblicazione: (2024)
di: Domnich, Marharyta, et al.
Pubblicazione: (2024)
OpenDeception: Learning Deception and Trust in Human-AI Interaction via Multi-Agent Simulation
di: Wu, Yichen, et al.
Pubblicazione: (2025)
di: Wu, Yichen, et al.
Pubblicazione: (2025)
Unmasking Deceptive Visuals: Benchmarking Multimodal Large Language Models on Misleading Chart Question Answering
di: Chen, Zixin, et al.
Pubblicazione: (2025)
di: Chen, Zixin, et al.
Pubblicazione: (2025)
Deceptive Semantic Shortcuts on Reasoning Chains: How Far Can Models Go without Hallucination?
di: Li, Bangzheng, et al.
Pubblicazione: (2023)
di: Li, Bangzheng, et al.
Pubblicazione: (2023)
Exploitation Without Deception: Dark Triad Feature Steering Reveals Separable Antisocial Circuits in Language Models
di: Berg, Cameron, et al.
Pubblicazione: (2026)
di: Berg, Cameron, et al.
Pubblicazione: (2026)
Uncovering Deceptive Tendencies in Language Models: A Simulated Company AI Assistant
di: Järviniemi, Olli, et al.
Pubblicazione: (2024)
di: Järviniemi, Olli, et al.
Pubblicazione: (2024)
SafetyNet: Detecting Harmful Outputs in LLMs by Modeling and Monitoring Deceptive Behaviors
di: Chaudhary, Maheep, et al.
Pubblicazione: (2025)
di: Chaudhary, Maheep, et al.
Pubblicazione: (2025)
Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL
di: Abdulhai, Marwa, et al.
Pubblicazione: (2025)
di: Abdulhai, Marwa, et al.
Pubblicazione: (2025)
Detecting Linguistic Indicators for Stereotype Assessment with Large Language Models
di: Görge, Rebekka, et al.
Pubblicazione: (2025)
di: Görge, Rebekka, et al.
Pubblicazione: (2025)
Looks can be Deceptive: Distinguishing Repetition Disfluency from Reduplication
di: Ahmad, Arif, et al.
Pubblicazione: (2024)
di: Ahmad, Arif, et al.
Pubblicazione: (2024)
DeceptionBench: A Comprehensive Benchmark for AI Deception Behaviors in Real-world Scenarios
di: Huang, Yao, et al.
Pubblicazione: (2025)
di: Huang, Yao, et al.
Pubblicazione: (2025)
This Is Your Doge, If It Please You: Exploring Deception and Robustness in Mixture of LLMs
di: Wolf, Lorenz, et al.
Pubblicazione: (2025)
di: Wolf, Lorenz, et al.
Pubblicazione: (2025)
MAiDE-up: Multilingual Deception Detection of GPT-generated Hotel Reviews
di: Ignat, Oana, et al.
Pubblicazione: (2024)
di: Ignat, Oana, et al.
Pubblicazione: (2024)
SPADE-Bench: Evaluating Spontaneous Strategic Deception in Agents via Plan-Action Divergence
di: Bu, Yuyan, et al.
Pubblicazione: (2026)
di: Bu, Yuyan, et al.
Pubblicazione: (2026)
NYT-Connections: A Deceptively Simple Text Classification Task that Stumps System-1 Thinkers
di: Lopez, Angel Yahir Loredo, et al.
Pubblicazione: (2024)
di: Lopez, Angel Yahir Loredo, et al.
Pubblicazione: (2024)
Theory of Mind in Large Language Models: Assessment and Enhancement
di: Chen, Ruirui, et al.
Pubblicazione: (2025)
di: Chen, Ruirui, et al.
Pubblicazione: (2025)
When Thinking LLMs Lie: Unveiling the Strategic Deception in Representations of Reasoning Models
di: Wang, Kai, et al.
Pubblicazione: (2025)
di: Wang, Kai, et al.
Pubblicazione: (2025)
Large Language Models for Medical OSCE Assessment: A Novel Approach to Transcript Analysis
di: Shakur, Ameer Hamza, et al.
Pubblicazione: (2024)
di: Shakur, Ameer Hamza, et al.
Pubblicazione: (2024)
The dynamics of meaning through time: Assessment of Large Language Models
di: Alrefaie, Mohamed Taher, et al.
Pubblicazione: (2025)
di: Alrefaie, Mohamed Taher, et al.
Pubblicazione: (2025)
A Novel Computational and Modeling Foundation for Automatic Coherence Assessment
di: Maimon, Aviya, et al.
Pubblicazione: (2023)
di: Maimon, Aviya, et al.
Pubblicazione: (2023)
Modular Duality in Deep Learning
di: Bernstein, Jeremy, et al.
Pubblicazione: (2024)
di: Bernstein, Jeremy, et al.
Pubblicazione: (2024)
Risk Taxonomy, Mitigation, and Assessment Benchmarks of Large Language Model Systems
di: Cui, Tianyu, et al.
Pubblicazione: (2024)
di: Cui, Tianyu, et al.
Pubblicazione: (2024)
A Unified Assessment of the Poverty of the Stimulus Argument for Neural Language Models
di: Yang, Xiulin, et al.
Pubblicazione: (2026)
di: Yang, Xiulin, et al.
Pubblicazione: (2026)
Depression Risk Assessment in Social Media via Large Language Models
di: Gulino, Giorgia, et al.
Pubblicazione: (2026)
di: Gulino, Giorgia, et al.
Pubblicazione: (2026)
Pooling Attention: Evaluating Pretrained Transformer Embeddings for Deception Classification
di: Mamtani, Sumit, et al.
Pubblicazione: (2025)
di: Mamtani, Sumit, et al.
Pubblicazione: (2025)
An In-depth Evaluation of Large Language Models in Sentence Simplification with Error-based Human Assessment
di: Wu, Xuanxin, et al.
Pubblicazione: (2024)
di: Wu, Xuanxin, et al.
Pubblicazione: (2024)
GRAMMAR: Grounded and Modular Methodology for Assessment of Closed-Domain Retrieval-Augmented Language Model
di: Li, Xinzhe, et al.
Pubblicazione: (2024)
di: Li, Xinzhe, et al.
Pubblicazione: (2024)
Beyond Self-Reports: Multi-Observer Agents for Personality Assessment in Large Language Models
di: Huang, Yin Jou, et al.
Pubblicazione: (2025)
di: Huang, Yin Jou, et al.
Pubblicazione: (2025)
JailBench: A Comprehensive Chinese Security Assessment Benchmark for Large Language Models
di: Liu, Shuyi, et al.
Pubblicazione: (2025)
di: Liu, Shuyi, et al.
Pubblicazione: (2025)
Documenti analoghi
-
To Tell The Truth: Language of Deception and Language Models
di: Hazra, Sanchaita, et al.
Pubblicazione: (2023) -
Seamless Deception: Larger Language Models Are Better Knowledge Concealers
di: Ashok, Dhananjay, et al.
Pubblicazione: (2026) -
Unmasking the Shadows of AI: Investigating Deceptive Capabilities in Large Language Models
di: Guo, Linge
Pubblicazione: (2024) -
Deceptive Automated Interpretability: Language Models Coordinating to Fool Oversight Systems
di: Lermen, Simon, et al.
Pubblicazione: (2025) -
The Point of No Return: Counterfactual Localization of Deceptive Commitment in Language-Model Reasoning
di: Merrill, Scott, et al.
Pubblicazione: (2026)