Post

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.

anthropic.comTeaching Claude whyNew research on how we've reduced agentic misalignment

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...

Antoine C.@ancadweb.com

Comme le dit Eryk Salvaggio il y a peu de raisons de s'inquiéter de cette découverte en matière de mésalignement, du fait que l'expérience fait tout pour provoquer un comportement au final pas si surprenant Par contre je trouve qu'elle montre des choses positivement assez intéressantes sur les LLMs.

5/ Et, selon Anthropic, pour résoudre le problème, il faudrait non seulement donner de meilleurs exemples aux LLMs mais qu'ils soient accompagnés de justifications de la persona d'IA éthique qu'on veut favoriser.

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).

11/5/26, 8:21 am0 reposts0 likes

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".

9/ Plus prosaïquement inclure des justifications revient à ajouter plus d'associations qui renforceront le comportement des LLMs. C'est toujours une question de pousser les IAs à relier tel vecteur avec tel autre (forcement vu que c'est tout ce qu'elles savent faire).