Compromising Honesty and Harmlessness in Language Models via Deception Attacks

Fuente: arXiv
Enregistré dans:
Détails bibliographiques
Auteurs principaux: Vaugrante, Laurène, Carlon, Francesca, Menke, Maluna, Hagendorff, Thilo
Format: Preprint
Publié: 2025
Sujets:
Accès en ligne:
Tags: Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!

Documents similaires