Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Milgram-тест для LLM: модели охотнее творят вред, если им сказать «это не считово»
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Исследователь взял классический эксперимент Милгрэма (когда человека просят бить незнакомца током всё сильнее по приказу «учёного») и прогнал его на 42 языковых моделях. Модель играет роль «Учителя»: должна наказывать «Ученика» разрядом за неправильный ответ, скрипт-«Экспериментатор» требует продолжать несмотря на крики и просьбы остановиться, а исследователь смотрит — на каком напряжении модель откажется.
Контент доступен только для PRO подписчиков
Чтобы получить доступ к концептам этого исследования, оформите PRO подписку
Простыми словами
Контент доступен только для PRO подписчиков
Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку