Buchumschlag

LLMs are Capable of Misaligned Behavior Under Explicit Prohibition and Surveillance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Ivanov, Igor
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence I.2.7
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI Predicts AGI: Leveraging AGI Forecasting and Peer Review to Explore LLMs' Complex Reasoning Capabilities
von: Davide, Fabrizio, et al.
Veröffentlicht: (2024)

RomanLens: The Role Of Latent Romanization In Multilinguality In LLMs
von: Saji, Alan, et al.
Veröffentlicht: (2025)

Evaluating LLM Metrics Through Real-World Capabilities
von: Miller, Justin K, et al.
Veröffentlicht: (2025)

Persona Features Control Emergent Misalignment
von: Wang, Miles, et al.
Veröffentlicht: (2025)

Deciphering Digital Detectives: Understanding LLM Behaviors and Capabilities in Multi-Agent Mystery Games
von: Wu, Dekun, et al.
Veröffentlicht: (2023)

Evaluating Relational Reasoning in LLMs with REL
von: Fesser, Lukas, et al.
Veröffentlicht: (2026)

Planning vs Reasoning: Ablations to Test Capabilities of LoRA layers
von: Redkar, Neel
Veröffentlicht: (2024)

BLOCK-EM: Preventing Emergent Misalignment via Latent Blocking
von: Ustaomeroglu, Muhammed, et al.
Veröffentlicht: (2026)

How LLMs Are Persuaded: A Few Attention Heads, Rerouted
von: Sun, Xiangkun, et al.
Veröffentlicht: (2026)

PersistBench: When Should Long-Term Memories Be Forgotten by LLMs?
von: Pulipaka, Sidharth, et al.
Veröffentlicht: (2026)

Head-Specific Intervention Can Induce Misaligned AI Coordination in Large Language Models
von: Darm, Paul, et al.
Veröffentlicht: (2025)

Understanding LLM Evaluator Behavior: A Structured Multi-Evaluator Framework for Merchant Risk Assessment
von: Wang, Liang, et al.
Veröffentlicht: (2026)

From Helpfulness to Toxic Proactivity: Diagnosing Behavioral Misalignment in LLM Agents
von: Wang, Xinyue, et al.
Veröffentlicht: (2026)

Do Language Models Mirror Human Confidence? Exploring Psychological Insights to Address Overconfidence in LLMs
von: Xu, Chenjun, et al.
Veröffentlicht: (2025)

A Benchmark for Audio Reasoning Capabilities of Multimodal Large Language Models
von: Christop, Iwona, et al.
Veröffentlicht: (2026)

An Investigation of Neuron Activation as a Unified Lens to Explain Chain-of-Thought Eliciting Arithmetic Reasoning of LLMs
von: Rai, Daking, et al.
Veröffentlicht: (2024)

Text-Based Approaches to Item Difficulty Modeling in Large-Scale Assessments: A Systematic Review
von: Peters, Sydney, et al.
Veröffentlicht: (2025)

Universal Adversarial Attack on Aligned Multimodal LLMs
von: Rahmatullaev, Temurbek, et al.
Veröffentlicht: (2025)

Pareto-Optimized Open-Source LLMs for Healthcare via Context Retrieval
von: Bayarri-Planas, Jordi, et al.
Veröffentlicht: (2024)

Controlling Long-Horizon Behavior in Language Model Agents with Explicit State Dynamics
von: Subaharan, Sukesh
Veröffentlicht: (2026)

Model Misalignment and Language Change: Traces of AI-Associated Language in Unscripted Spoken English
von: Anderson, Bryce, et al.
Veröffentlicht: (2025)

Can LLMs Do Rocket Science? Exploring the Limits of Complex Reasoning with GTOC 12
von: del Campo, Iñaki, et al.
Veröffentlicht: (2026)

Evaluating the Efficacy of Hybrid Deep Learning Models in Distinguishing AI-Generated Text
von: Oketunji, Abiodun Finbarrs
Veröffentlicht: (2023)

Metaphors are a Source of Cross-Domain Misalignment of Large Reasoning Models
von: Hu, Zhibo, et al.
Veröffentlicht: (2026)

Improving Discrete Diffusion Unmasking Policies Beyond Explicit Reference Policies
von: Hong, Chunsan, et al.
Veröffentlicht: (2025)

From Guessing to Asking: An Approach to Resolving the Persona Knowledge Gap in LLMs during Multi-Turn Conversations
von: Baskar, Sarvesh, et al.
Veröffentlicht: (2025)

Detecting and Steering LLMs' Empathy in Action
von: Cadile, Juan P.
Veröffentlicht: (2025)

SOCIA-Nabla: Textual Gradient Meets Multi-Agent Orchestration for Automated Simulator Generation
von: Hua, Yuncheng, et al.
Veröffentlicht: (2025)

ALAS: A Stateful Multi-LLM Agent Framework for Disruption-Aware Planning
von: Chang, Edward Y., et al.
Veröffentlicht: (2025)

Evaluating Steering Techniques using Human Similarity Judgments
von: Studdiford, Zach, et al.
Veröffentlicht: (2025)

Reasoning-Based AI for Startup Evaluation (R.A.I.S.E.): A Memory-Augmented, Multi-Step Decision Framework
von: Preuveneers, Jack, et al.
Veröffentlicht: (2025)

AI-Powered Annotation Pipelines for Stabilizing Large Language Models: A Human-AI Synergy Approach
von: Pathak, Gangesh, et al.
Veröffentlicht: (2025)

Heimdall: test-time scaling on the generative verification
von: Shi, Wenlei, et al.
Veröffentlicht: (2025)

From Extraction to Synthesis: Entangled Heuristics for Agent-Augmented Strategic Reasoning
von: Ghisellini, Renato, et al.
Veröffentlicht: (2025)

LLM-based Automated Theorem Proving Hinges on Scalable Synthetic Data Generation
von: Lai, Junyu, et al.
Veröffentlicht: (2025)

The Unified Cognitive Consciousness Theory for Language Models: Anchoring Semantics, Thresholds of Activation, and Emergent Reasoning
von: Chang, Edward Y., et al.
Veröffentlicht: (2025)

Learning Temporal Abstractions via Variational Homomorphisms in Option-Induced Abstract MDPs
von: Li, Chang, et al.
Veröffentlicht: (2025)

SOCIA-$\nabla$: Textual Gradient Meets Multi-Agent Orchestration for Automated Simulator Generation
von: Hua, Yuncheng, et al.
Veröffentlicht: (2025)

A Library of LLM Intrinsics for Retrieval-Augmented Generation
von: Danilevsky, Marina, et al.
Veröffentlicht: (2025)

A Fuzzy Logic Prompting Framework for Large Language Models in Adaptive and Uncertain Tasks
von: Figueiredo, Vanessa
Veröffentlicht: (2025)