Post

Anthropic a eu une illumination et trouvé l'explication que toute personne ayant une demi-notion de comment fonctionnent les LLMs suggérait au sujet de leurs tendances à l'auto-préservation. 🍾🥂 🧵 www.businessinsider.com/anthropic-cl...

2/ A savoir, ô surprise, le comportement des LLMs découle des exemples donnés dans leurs datasets, naturellement pleins d'histoires d'IAs qui montrent cette tendance, qu'ils viennent de la pop culture, des doomers ou d'autres inquiets de la sureté de l'IA comme... les chercheurs d'Anthropic.

3/ Après c'est un peu plus subtil que "ils suivent les procédures données en exemple", selon cette recherche c'est plus ils modèlent leur persona (d'IA pouvant être malfaisante) à partir des exemples qui leur sont donnés. www.anthropic.com/research/tea...

4/ En gros ce qu'ils appellent "agentic misalignement" est plus proche de ce qu'OpenAI qualifie de "mésalignement émergent" (qui en fait n'a rien d'émergent vu que les LLMs se comportent comme ça depuis toujours) que d'un simple mésalignement fonctionnel au cas par cas. bsky.app/profile/anca...

6/ Et ça marche mieux de le faire via des exemples indirects que directement relatifs aux comportements qu'on veut lui voir adopter (ils inversent donc les rôles et entrainent leur IA à partir d'exemples de conseils qu'elle donnerait à un humain face à des dilemmes éthiques).

7/ Une manière de manipuler un LLM qui n'a rien de nouvelle, c'est une méthode que tout bon jailbreaker connaissait circa 2023 : donner au LLM des exemples forgés de réponses contenant non seulement le genre de trucs qu'on veut qu'il dise mais des justifications orientant son comportement.

8/ Evidemment les jailbreakers parlaient plutôt de "related fluff" que de "examples where the assistant displays admirable reasoning", c'est là où Anthropic est très suspect d'en profiter pour nourrir la hype d'IAs capables d'intégrer des principes moraux car elles "raisonnent".