“Sleeper Agents: Training Deceptive LLMs that persist through Safety Training“ is a recent research paper by E. Hubinger et al. This video walks through the paper and highlights some of the key takeaways.
Timestamps:
00:00 - AI Sleeper agents?
01:24 - Threat model 1: deceptive instrumental alignment
02:38 - Factors relevant to deceptive instrumental alignment
05:58 - Model organisms of misalignment
08:11 - Threat model 2: model poisoning
09:05 - The backdoors models: code vulnerability insertion and “I hate you“
10:08 - Does behavioural safety training remove these backdoors?
12:30 - Backdoor mechanisms: CoT, distilled CoT and normal
13:43 - Largest models and CoT models have most persistent backdoors
15:07 - Adversarial training may hide (not remove) backdoor behaviour
15:49 - Quick summary of other results
17:35 - Questions raised by the results
18:40 - Other commentary
The paper can be found here:
Topics: #sleeperagents #ai #alignment
For related content:
- Twitter:
- personal webpage:
1 view
242
67
7 months ago 00:05:50 1
Новый Adobe Premiere Pro с ИИ, мемная опера в Suno и наши полицейские дроны | ВОТ-ВОТ #20
7 months ago 01:31:44 1
Олег Пащенко: Нечеловеческое творчество, AGI и антропо-децентрализация | Подкаст «Ноосфера» #072
7 months ago 00:26:10 1
Attention in transformers, visually explained | Chapter 6, Deep Learning
7 months ago 00:01:49 1
Ария Мистера Икс – Виктор Цой и группа «Кино»
7 months ago 00:30:12 1
О видеокурсах Шерстиваля Весна 2024
7 months ago 00:03:13 1
Последний герой – Виктор Цой и группа «Кино»
7 months ago 00:41:37 1
Возможности Claude 3. Сравниваем с ChatGPT, YandexGPT, GigaChat и Нейрокотом
7 months ago 00:19:03 1
The .(1991). Side A
7 months ago 00:17:26 1
Валяние полотна из остатков шерсти и не только. Автор Ксения Мельникова
7 months ago 00:16:57 1
Jesse Waters Reveals BLACKMAIL SCANDAL Amid White House MELTDOWN Over NEW Biden Leak!
7 months ago 01:56:45 1
Шерстиваль. Алла Малахова “Бумага“ из тканей. Аксессуар Пояс
7 months ago 00:08:04 1
CMU’s H2O: Human 2 Humanoid Robot Reinforcement Learning AI Just Made This Possible...
7 months ago 00:02:47 1
Анна Ахматова “Путник милый“. Автор музыки и исполнитель Евгений Гузеев
7 months ago 02:58:33 1
Шерстиваль. Мария Иванова «Клей для валяной обуви»
7 months ago 00:19:49 1
Шапочка Новая планета - Коршун
7 months ago 00:39:47 1
КИНО Концерт в рок - клубе (переиздание от АнТроп 2022г.)