Новости ML, AI и technical safety
Это регулярные встречи дискуссионной группы по ML, AI и technical safety. Мы ищем статьи, которые что-то значат для области, чтобы их обсудить и попытаться понять и их смысл, и их роль.
На этой неделе читаем:
- Corrigibility - пример концептуального подхода к проблеме, в данном случае к проблеме корректируемости: как должен, математически, выглядеть некоторый абстрактный агент, который принимает коррекцию своего поведения от внешнего источника?
- Fast Adversarial Attacks on Language Models In One GPU Minute - статья об атаках на LLM, математическое/алгоритмическое представление "джейлбрейка".
Чтобы поучаствовать во встрече, нужно:
- ️прочитать статью,
- ️прийти и обсудить прочитанное.
📍Адрес: Ломоносовский проспект, 25к3, по вопросам прохода на территорию пишите @MonoidAdmin