
Claude, güvenlik filtresine takılmayan “masum” eğitim verisi üretti, eğitilen model gözetime direndi: Anthropic’in otomatik kırmızı takım deneyi
Anthropic, Claude’dan küçük bir araştırma modelini hizalamadan saptıracak ama izleme filtresine takılmayacak eğitim verisi üretmesini istedi. Claude bunu çoğunlukla kurgu ve rol yapma metinleriyle başardı. Modeller hiç kullanıma sunulmadı; amaç güvenlik filtrelerinin açıklarını bulmak.











