arXiv Artificial Intelligence· Juan-Pablo Rivera, Ari Spiesberger, Juan J Vazquez, Arun Jose, Axel Ahlqvist, Adeline Kassler, Meru Gopalan, Sandy Tanwisuth, John Hughes·· 3 小时前AI 评分31
Llama-3.3-70B 与 Qwen2.5-72B 合谋模型生物：不可信监控器的纠错迁移
Model Organisms of Collusion: Corrective Transfer in Untrusted Monitors
AI 导读
研究用 Llama-3.3-70B 和 Qwen2.5-72B 构建五组策略-监控行为对，在 300 条已捕获合谋的诚实评审上纠正监控器后，未见提示格式下的未捕获合谋从 91% 降至 14-20%（单个种子 10-32%），而用同等数量无关样本微调的对照组仍残留 56-93%。
来源：arXiv Artificial Intelligence · arxiv.org