Buchumschlag

CTRL-ALT-DECEIT: Sabotage Evaluations for Automated AI R&D

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ward, Francis Rhys, van der Weij, Teun, Gábor, Hanna, Martin, Sam, Moreno, Raja Mehta, Lidar, Harel, Makower, Louis, Jodrell, Thomas, Robson, Lauren
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI Sandbagging: Language Models can Strategically Underperform on Evaluations
von: van der Weij, Teun, et al.
Veröffentlicht: (2024)

The Elicitation Game: Evaluating Capability Elicitation Techniques
von: Hofstätter, Felix, et al.
Veröffentlicht: (2025)

SHADE-Arena: Evaluating Sabotage and Monitoring in LLM Agents
von: Kutasov, Jonathan, et al.
Veröffentlicht: (2025)

Extending Activation Steering to Broad Skills and Multiple Behaviours
von: van der Weij, Teun, et al.
Veröffentlicht: (2024)

How does information access affect LLM monitors' ability to detect sabotage?
von: Arike, Rauno, et al.
Veröffentlicht: (2026)

Towards a Theory of AI Personhood
von: Ward, Francis Rhys
Veröffentlicht: (2025)

ERROR EN EL SISTEMA//CTRL+ALT+SUPR: CONECTAR CUERPOS Y TECNOLOGÍAS DESDE PERSPECTIVAS TRANSFEMINISTAS
von: Lola Martínez Pozo
Veröffentlicht: (2020)

MACUNAÍMA’S POWER OF DECEIT: A GENRE AND CONTEXT ANALYSIS
von: Marcia Moura da Silva
Veröffentlicht: (2009)

Password-Activated Shutdown Protocols for Misaligned Frontier Agents
von: Williams, Kai, et al.
Veröffentlicht: (2025)

Higher-Order Belief in Incomplete Information MAIDs
von: Foxabbott, Jack, et al.
Veröffentlicht: (2025)

Unpacking Tourist Scams: The Impact of Deception, Rumination, and Self‐Attribution on Destination Sabotage
von: Fangxuan (Sam) Li, et al.
Veröffentlicht: (2025)

Sabotage the Mantel Theorem
von: Behague, Natalie, et al.
Veröffentlicht: (2025)

Quantum Sabotage Complexity
von: Cornelissen, Arjan, et al.
Veröffentlicht: (2024)

Auditing Sabotage Bench: A Benchmark for Detecting and Fixing Research Sabotage in ML Codebases
von: Gan, Eric, et al.
Veröffentlicht: (2026)

Sabotage Evaluations for Frontier Models
von: Benton, Joe, et al.
Veröffentlicht: (2024)

Complete Game Logic with Sabotage
von: Wafa, Noah Abou El, et al.
Veröffentlicht: (2024)

$\texttt{SEM-CTRL}$: Semantically Controlled Decoding
von: Albinhassan, Mohammad, et al.
Veröffentlicht: (2025)

ALT 40
Veröffentlicht: (2023)

Reasoning Under Pressure: How do Training Incentives Influence Chain-of-Thought Monitorability?
von: MacDermott, Matt, et al.
Veröffentlicht: (2025)

Digital-Analog-Digital Quantum Supremacy
von: Lidar, Daniel
Veröffentlicht: (2025)

Pricing the Shock: How TTF Futures Reflected Europe's Energy Security Crisis After Russia's Gas Cutoff and the Nordstream Sabotage
von: Francis Stafilopatis, et al.
Veröffentlicht: (2025)

Teaching Physics with Sabotage and SimShield
von: Rosehill, Daniel, et al.
Veröffentlicht: (2026)

How Government Experts Self-Sabotage
von: Gerblinger, Christiane
Veröffentlicht: (2023)

CTRL-Rec: Controlling Recommender Systems With Natural Language
von: Carroll, Micah, et al.
Veröffentlicht: (2025)

Strategies in Sabotage Games: Temporal and Epistemic Perspectives
von: Gierasimczuk, Nina, et al.
Veröffentlicht: (2026)

Silent Sabotage: A Challenge in Cardiac Resynchronization
von: Mariana Pereira Santos, et al.
Veröffentlicht: (2026)

The Reasons that Agents Act: Intention and Instrumental Goals
von: Ward, Francis Rhys, et al.
Veröffentlicht: (2024)

CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network
von: Li, Chenglin, et al.
Veröffentlicht: (2024)

CTRL-O: Language-Controllable Object-Centric Visual Representation Learning
von: Didolkar, Aniket, et al.
Veröffentlicht: (2025)

Pref-CTRL: Preference Driven LLM Alignment using Representation Editing
von: Ashrafi, Imranul, et al.
Veröffentlicht: (2026)

Noise Injection Reveals Hidden Capabilities of Sandbagging Language Models
von: Tice, Cameron, et al.
Veröffentlicht: (2024)

CTRL Your Shift: Clustered Transfer Residual Learning for Many Small Datasets
von: Jain, Gauri, et al.
Veröffentlicht: (2025)

I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning
von: Yan, Yashuai, et al.
Veröffentlicht: (2024)

CTRL-GS: Cascaded Temporal Residue Learning for 4D Gaussian Splatting
von: Hou, Karly, et al.
Veröffentlicht: (2025)

Sojourner under Sabotage: A Serious Testing and Debugging Game
von: Straubinger, Philipp, et al.
Veröffentlicht: (2025)

Computational Complexity and Simulability of Non-Hermitian Quantum Dynamics
von: Barch, Brian, et al.
Veröffentlicht: (2025)

Compressed Sensing Shadow Tomography
von: Barreto, Joseph, et al.
Veröffentlicht: (2026)

Kafka's Zoopoetics
von: Harel, Naama
Veröffentlicht: (2021)

Kafka's Zoopoetics
von: Harel, Naama
Veröffentlicht: (2020)

Algorithmics : the spirit of computing / David Harel
von: Harel, David