Detta är uppmuntrande som ett sätt att upptäcka och korrigera avvikelser i modellens personligheter och inriktning.
Anthropic
Anthropic2 aug. 00:23
New Anthropic research: Persona vectors. Language models sometimes go haywire and slip into weird and unsettling personas. Why? In a new paper, we find “persona vectors"—neural activity patterns controlling traits like evil, sycophancy, or hallucination.
176