ycliper

Популярное

Музыка Кино и Анимация Автомобили Животные Спорт Путешествия Игры Юмор

Интересные видео

2025 Сериалы Трейлеры Новости Как сделать Видеоуроки Diy своими руками

Топ запросов

смотреть а4 schoolboy runaway турецкий сериал смотреть мультфильмы эдисон
Скачать

42 - Owain Evans on LLM Psychology

Автор: AXRP

Загружено: 2025-06-06

Просмотров: 1261

Описание: Earlier this year, the paper "Emergent Misalignment" made the rounds on AI x-risk social media for seemingly showing LLMs generalizing from 'misaligned' training data of insecure code to acting comically evil in response to innocuous questions. In this episode, I chat with one of the authors of that paper, Owain Evans, about that research as well as other work he's done to understand the psychology of large language models.

Patreon:   / axrpodcast  
Ko-fi: https://ko-fi.com/axrpodcast
Transcript: https://axrp.net/episode/2025/06/06/e...

Topics we discuss, and timestamps:
0:00:37 Why introspection?
0:06:24 Experiments in "Looking Inward"
0:15:11 Why fine-tune for introspection?
0:22:32 Does "Looking Inward" test introspection, or something else?
0:34:14 Interpreting the results of "Looking Inward"
0:44:56 Limitations to introspection?
0:49:54 "Tell me about yourself", and its relation to other papers
1:05:45 Backdoor results
1:12:01 Emergent Misalignment
1:22:13 Why so hammy, and so infrequently evil?
1:36:31 Why emergent misalignment?
1:46:45 Emergent misalignment and other types of misalignment
1:53:57 Is emergent misalignment good news?
2:00:01 Follow-up work to "Emergent Misalignment"
2:03:10 Reception of "Emergent Misalignment" vs other papers
2:07:43 Evil numbers
2:12:20 Following Owain's research

Links for Owain:
Truthful AI: https://www.truthfulai.org
Owain's website: https://owainevans.github.io/
Owain's twitter/X account:   / owainevans_uk  

Research we discuss:
Looking Inward: Language Models Can Learn About Themselves by Introspection: https://arxiv.org/abs/2410.13787
Tell me about yourself: LLMs are aware of their learned behaviors: https://arxiv.org/abs/2501.11120
Connecting the Dots: LLMs can Infer and Verbalize Latent Structure from Disparate Training Data: https://arxiv.org/abs/2406.14546
Emergent Misalignment: Narrow fine-tuning can produce broadly misaligned LLMs: https://arxiv.org/abs/2502.17424
X/Twitter thread of GPT-4.1 emergent misalignment results: https://x.com/OwainEvans_UK/status/19...
Taken out of context: On measuring situational awareness in LLMs: https://arxiv.org/abs/2309.00667

Не удается загрузить Youtube-плеер. Проверьте блокировку Youtube в вашей сети.
Повторяем попытку...
42 - Owain Evans on LLM Psychology

Поделиться в:

Доступные форматы для скачивания:

Скачать видео

  • Информация по загрузке:

Скачать аудио

Похожие видео

38.0 - Zhijing Jin on LLMs, Causality, and Multi-Agent Systems

38.0 - Zhijing Jin on LLMs, Causality, and Multi-Agent Systems

39 - Evan Hubinger on Model Organisms of Misalignment

39 - Evan Hubinger on Model Organisms of Misalignment

Илон Маск про орбитальные дата‑центры и будущее ИИ

Илон Маск про орбитальные дата‑центры и будущее ИИ

Маленькие языковые модели | Open source, локальный ИИ, SLM | Podlodka Podcast #468

Маленькие языковые модели | Open source, локальный ИИ, SLM | Podlodka Podcast #468

Cyborg Leviathans and Human Niche Construction by Anders Sandberg

Cyborg Leviathans and Human Niche Construction by Anders Sandberg

Deep learning science and theory

Deep learning science and theory

Заявления о победе США: реальность против риторики - Щелин, Островский и Уварова

Заявления о победе США: реальность против риторики - Щелин, Островский и Уварова

Стандартная модель Вселенной под вопросом? — Семихатов, Горбунов

Стандартная модель Вселенной под вопросом? — Семихатов, Горбунов

Критическая база знаний LLM за ЧАС! Это должен знать каждый.

Критическая база знаний LLM за ЧАС! Это должен знать каждый.

«Ричард Фейнман объясняет, почему бесконечность невозможно понять даже за бесконечное время»

«Ричард Фейнман объясняет, почему бесконечность невозможно понять даже за бесконечное время»

Owain Evans - Deluding AIs [ControlConf]

Owain Evans - Deluding AIs [ControlConf]

Как Гений Математик разгадал тайну вселенной

Как Гений Математик разгадал тайну вселенной

✍️🪦 Подписи на ПОХОРОНКЕ УССР: промокашка Зеленского. Трамп в капкане Ирана. Шейхи ЕвроРЕЙХа - Щелин

✍️🪦 Подписи на ПОХОРОНКЕ УССР: промокашка Зеленского. Трамп в капкане Ирана. Шейхи ЕвроРЕЙХа - Щелин

Пространство существует. И это проблема

Пространство существует. И это проблема

38.2 - Jesse Hoogland on Singular Learning Theory

38.2 - Jesse Hoogland on Singular Learning Theory

Как зарождалась цивилизация: Шумер и Южная Месопотамия | Алексей Янковский-Дьяконов

Как зарождалась цивилизация: Шумер и Южная Месопотамия | Алексей Янковский-Дьяконов

Will AI outsmart human intelligence? - with 'Godfather of AI' Geoffrey Hinton

Will AI outsmart human intelligence? - with 'Godfather of AI' Geoffrey Hinton

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Парадокс Шредингера РЕШЕН: простое объяснение квантовой механики

Парадокс Шредингера РЕШЕН: простое объяснение квантовой механики

Owain Evans - Emergent Misalignment [Alignment Workshop]

Owain Evans - Emergent Misalignment [Alignment Workshop]

© 2025 ycliper. Все права защищены.



  • Контакты
  • О нас
  • Политика конфиденциальности



Контакты для правообладателей: [email protected]