Deceptive Automated Interpretability: Language Models Coordinating to Fool Oversight Systems

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Lermen, Simon, Dziemian, Mateusz, Antolín, Natalia Pérez-Campanero
Formato:	Preprint
Publicado:	2025
Materias:	Artificial Intelligence Computation and Language
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2504.07831