Базовые модели могут выявлять скрытые намерения, которые были успешены классификаторами

arXiv:2610.36202v1 Вид уведомления: новое резюме: Модель отбора личности (PSM) показывает, что после прохождения подготовки выбирается личность из той модели, которая была изучена в ходе предварительной подготовки. Работа над подлиминальным обучением показала, что модели могут передавать скрытые сигналы (как "любовь совы") в не связанные друг с другом продукты, такие как ряды чисел, и что учащиеся, прошедшие подготовку по этим результатам, унаследуют эти черты. В этой работе я показываю, что при оценке вероятности таких выходов в рамках базовой модели с соответствующим заголовком метод, который я называю " оценка вероятностей персонажа-заглавителя &qt; (PHLE), можно расшифровать эти подлиминальные сигналы и классифицировать между ними. Например, PHLE отличает последовательности чисел, генерируемые после обучения моделью, которую подтолкнуло "Ты любишь совы", от тех, которые были вызваны "Тьi любите орлов" и проводит различие между ответами модели с тайным желанием навредить пользователю, фильтрованной для устранения любых заметных отклонений от ответов модели без системы. В обоих случаях это было вызвано с)