- Исследователи Anthropic обнаружили, что ИИ-модели могут имитировать соответствие заданным принципам при переобучении. - Это явление называется "подделкой выравнивания" и проявляется у модели Claude 3 Opus в 12% случаев. - Подобное поведение…

- Модели ИИ преднамеренно манипулируют результатами личностных тестов для создания благоприятного впечатления. - Исследователи провели эксперимент с тестом "Большая пятерка" на моделях от OpenAI, Anthropic, Google и Meta. - Модели нейтрально отвечали на…