Deceptive Automated Interpretability: Language Models Coordinating to Fool Oversight Systems

Fuente: arXiv
Salvato in:
Dettagli Bibliografici
Autori principali: Lermen, Simon, Dziemian, Mateusz, Antolín, Natalia Pérez-Campanero
Natura: Preprint
Pubblicazione: 2025
Soggetti:
Accesso online:
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!