Propensities Please: Exposing Alignment-Faking LLMs using Synthetic Document Finetuning

Ardy Haroen, Florian Lorkowski, Samuel Nellessen, Felix Hofstätter

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.