LexisNexis

Công ty dữ liệu và công cụ tra cứu pháp lý. · 1 talks

Your LLM Deception Monitor Is Broken. The Fix Is in the Training Data

Sachin Kumar · LexisNexis · 14 min

Vì sao eval và behavioral monitor mù trước sleeper agent, và cách bắt backdoor bằng Diff-SAE trên activation delta giữa base và fine-tune.