Наблюдатель Бэнч: Тестирование механистических оценок для принятия мер и контроля
arXiv: 2609.03026v1 Тип уведомления: новое резюме: механистическая интерпретируемость все чаще используется для руководства такими действиями, как активация рулевого управления, снятие цепи и мониторинг безопасности. Тем не менее внутренняя оценка, которая в среднем является точной, все еще может…