Buchumschlag

Auditing Games for Sandbagging

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Taylor, Jordan, Black, Sid, Bowen, Dillon, Read, Thomas, Golechha, Satvik, Zelenka-Martin, Alex, Makins, Oliver, Kissane, Connor, Ayonrinde, Kola, Merizian, Jacob, Marks, Samuel, Cundy, Chris, Bloom, Joseph
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

Adaptive Sparse Allocation with Mutual Choice & Feature Choice Sparse Autoencoders
von: Ayonrinde, Kola
Veröffentlicht: (2024)

Propensity Inference: Environmental Contributors to LLM Behaviour
von: Järviniemi, Olli, et al.
Veröffentlicht: (2026)

Progress Measures for Grokking on Real-world Tasks
von: Golechha, Satvik
Veröffentlicht: (2024)

Evaluating Explanations: An Explanatory Virtues Framework for Mechanistic Interpretability -- The Strange Science Part I.ii
von: Ayonrinde, Kola, et al.
Veröffentlicht: (2025)

A Mathematical Philosophy of Explanations in Mechanistic Interpretability -- The Strange Science Part I.i
von: Ayonrinde, Kola, et al.
Veröffentlicht: (2025)

Challenges in Mechanistically Interpreting Model Representations
von: Golechha, Satvik, et al.
Veröffentlicht: (2024)

Interpretability as Compression: Reconsidering SAE Explanations of Neural Activations with MDL-SAEs
von: Ayonrinde, Kola, et al.
Veröffentlicht: (2024)

Building Better Deception Probes Using Targeted Instruction Pairs
von: Natarajan, Vikram, et al.
Veröffentlicht: (2026)

Among Us: A Sandbox for Measuring and Detecting Agentic Deception
von: Golechha, Satvik, et al.
Veröffentlicht: (2025)

Who's the Evil Twin? Differential Auditing for Undesired Behavior
von: Balappanawar, Ishwar, et al.
Veröffentlicht: (2025)

Training Neural Networks for Modularity aids Interpretability
von: Golechha, Satvik, et al.
Veröffentlicht: (2024)

AI Companies Should Report Pre- and Post-Mitigation Safety Evaluations
von: Bowen, Dillon, et al.
Veröffentlicht: (2025)

The Safety Gap Toolkit: Evaluating Hidden Dangers of Open-Source Models
von: Dombrowski, Ann-Kathrin, et al.
Veröffentlicht: (2025)

A is for Absorption: Studying Feature Splitting and Absorption in Sparse Autoencoders
von: Chanin, David, et al.
Veröffentlicht: (2024)

NICE: To Optimize In-Context Examples or Not?
von: Srivastava, Pragya, et al.
Veröffentlicht: (2024)

Interpreting Attention Layer Outputs with Sparse Autoencoders
von: Kissane, Connor, et al.
Veröffentlicht: (2024)

From Mechanistic to Compositional Interpretability
von: Gauderis, Ward, et al.
Veröffentlicht: (2026)

ABBEL: LLM Agents Acting through Belief Bottlenecks Expressed in Language
von: Lidayan, Aly, et al.
Veröffentlicht: (2025)

Studying Cross-cluster Modularity in Neural Networks
von: Golechha, Satvik, et al.
Veröffentlicht: (2025)

Preference Learning with Lie Detectors can Induce Honesty or Evasion
von: Cundy, Chris, et al.
Veröffentlicht: (2025)

SequenceMatch: Imitation Learning for Autoregressive Sequence Modelling with Backtracking
von: Cundy, Chris, et al.
Veröffentlicht: (2023)

More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration
von: Yadav, Advait, et al.
Veröffentlicht: (2026)

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

Do Large Language Models Know What They Are Capable Of?
von: Barkan, Casey O., et al.
Veröffentlicht: (2025)

Sandbagging in a Simple Survival Bandit Problem
von: Dyer, Joel, et al.
Veröffentlicht: (2025)

Removing Sandbagging in LLMs by Training with Weak Supervision
von: Ryd, Emil, et al.
Veröffentlicht: (2026)

Algunas observaciones sobre los regímenes especiales de seguridad social en la agricultura
von: A. Zelenka
Veröffentlicht: (1963)

Some remarks on special social security schemes for agriculture
von: A. Zelenka
Veröffentlicht: (1963)

Quelques remarques sur les régimes spéciaux de sécurité sociale des agriculteurs
von: A. Zelenka
Veröffentlicht: (1963)

Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients
von: Cundy, Chris, et al.
Veröffentlicht: (2020)

SAEBench: A Comprehensive Benchmark for Sparse Autoencoders in Language Model Interpretability
von: Karvonen, Adam, et al.
Veröffentlicht: (2025)

CataractBot: An LLM-Powered Expert-in-the-Loop Chatbot for Cataract Patients
von: Ramjee, Pragnya, et al.
Veröffentlicht: (2024)

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

A summary of the 2023 Society of Obstetric Medicine of Australia and New Zealand (SOMANZ) hypertension in pregnancy guidelines
von: Cathy Latino, et al.
Veröffentlicht: (2024)

Reassessing the Navier-Stokes Equation and the Yang-Mills Mass Gap Under a Substrate Ontology
von: Zelenka, David D.
Veröffentlicht: (2025)

Gaming the Stage: Playable Media and the Rise of English Commercial Theater
von: Bloom, Gina
Veröffentlicht: (2019)

UK AISI Alignment Evaluation Case-Study
von: Souly, Alexandra, et al.
Veröffentlicht: (2026)

Effects of phenological stages and ensiling length on chemical composition of Megathyrsus maximus ensiled with Moringa oleifera at different proportions
von: Damilola Kola Oyaniran
Veröffentlicht: (2024)

LLMs Can Covertly Sandbag on Capability Evaluations Against Chain-of-Thought Monitoring
von: Li, Chloe, et al.
Veröffentlicht: (2025)

Option-Order Randomisation Reveals a Distributional Position Attractor in Prompted Sandbagging
von: Cacioli, Jon-Paul
Veröffentlicht: (2026)