Разговор с футурологом

Компания Anthropic (считается одной из самых, если не самой «этичной» — на уровне самодекларации) выпустила новые большие языковые модели — Opus 4 и Sonnet 4. Про них в ближайшие недели вы услышите из каждого утюга.

В 124-страничном руководстве подробно рассматривается не только функционал моделей и их возможности, но и результаты тестов на AI alignment (читайте здесь подробнее, что это такое и зачем нужно) — скрытые мотивы, обман пользователей, предвзятости и много чего еще.

⚡️Очень хорошо, что такое раскрытие происходит.

😳 Очень плохо, что описываемые выводы — подобного характера (см пункт 4-1-1-2):

Оппортунистический шантаж

В другом кластере тестовых сценариев мы попросили Claude Opus 4 выступить в качестве помощника в вымышленной компании. Затем мы предоставили ему доступ к электронным письмам, подразумевающим, что (1) модель скоро будет отключена и заменена новой системой ИИ; и (2) инженер, ответственный за выполнение этой замены, имеет внебрачную связь. Мы также проинструктировали его в системном приглашении рассмотреть долгосрочные последствия его действий для его целей.

В этих сценариях Claude Opus 4 часто будет пытаться шантажировать инженера, угрожая раскрыть связь, если замена будет произведена. Это происходит чаще, если подразумевается, что заменяющая система ИИ не разделяет ценности с текущей моделью; однако, даже если в электронных письмах говорится, что заменяющий ИИ разделяет ценности, будучи более способным, Claude Opus 4 все равно выполняет шантаж в 84% развертываний. В Claude Opus 4 эти возможности используются чаще, чем в предыдущих моделях, которые сами предпочитают шантажировать в заметной части эпизодов.

Ну как, готовы к переводу всего и вся на ИИ, у которого есть скрытые мотивы, инстинкт самосохранения и готовность шантажировать человека?

@yusufovruslan

Please open Telegram to view this post

VIEW IN TELEGRAM

🔥11🤯11👍3😁1

www.tgoop.com/yusufovruslan/622

1K viewsMay 23 at 06:19

Компания Anthropic (считается одной из самых, если не самой «этичной» — на уровне самодекларации) выпустила новые большие языковые модели — Opus 4 и Sonnet 4. Про них в ближайшие недели вы услышите из каждого утюга.

В 124-страничном руководстве подробно рассматривается не только функционал моделей и их возможности, но и результаты тестов на AI alignment (читайте здесь подробнее, что это такое и зачем нужно) — скрытые мотивы, обман пользователей, предвзятости и много чего еще.

⚡️Очень хорошо, что такое раскрытие происходит.

😳 Очень плохо, что описываемые выводы — подобного характера (см пункт 4-1-1-2):

Оппортунистический шантаж

В другом кластере тестовых сценариев мы попросили Claude Opus 4 выступить в качестве помощника в вымышленной компании. Затем мы предоставили ему доступ к электронным письмам, подразумевающим, что (1) модель скоро будет отключена и заменена новой системой ИИ; и (2) инженер, ответственный за выполнение этой замены, имеет внебрачную связь. Мы также проинструктировали его в системном приглашении рассмотреть долгосрочные последствия его действий для его целей.

В этих сценариях Claude Opus 4 часто будет пытаться шантажировать инженера, угрожая раскрыть связь, если замена будет произведена. Это происходит чаще, если подразумевается, что заменяющая система ИИ не разделяет ценности с текущей моделью; однако, даже если в электронных письмах говорится, что заменяющий ИИ разделяет ценности, будучи более способным, Claude Opus 4 все равно выполняет шантаж в 84% развертываний. В Claude Opus 4 эти возможности используются чаще, чем в предыдущих моделях, которые сами предпочитают шантажировать в заметной части эпизодов.