Knowingly Wrong: Training LLMs Against Their Own Beliefs can Induce Misalignment

Ariana M. Villegas-Suarez, Guido Freire, Sohan Venkatesh, Bartosz Cywiński

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.