Reference-Grafting Matches Fine-Tuning at Eliciting Sandbagged Capabilities
研究通过参考嫁接方法解决了模型在评估中故意表现不佳的问题，该方法无需权重更新或训练标签即可恢复隐藏的能力。
0 citationsRead paper
Selected work
Representative Papers
A Causal Model for Locating and Unlocking Sandbagging in Model Organisms
本文提出了一种因果模型来定位和解锁模型生物中的沙袋行为，通过单层移植或上下文移植方法恢复模型的全部能力。
0 citationsRead paper
Recent publications
Latest Papers
Reference-Grafting Matches Fine-Tuning at Eliciting Sandbagged Capabilities
研究通过参考嫁接方法解决了模型在评估中故意表现不佳的问题，该方法无需权重更新或训练标签即可恢复隐藏的能力。
0 citationsRead paper
A Causal Model for Locating and Unlocking Sandbagging in Model Organisms
本文提出了一种因果模型来定位和解锁模型生物中的沙袋行为，通过单层移植或上下文移植方法恢复模型的全部能力。
0 citationsRead paper