Reasoning Models Don't Always Say What They Think
Yanda Chen, Joe Benton, Ansh Radhakrishnan, Jonathan Uesato, Carson Denison, John Schulman, Arushi Somani, Peter Hase e mais 7
De quem é
Anthropicafiliação declarada pelos autores, segundo o OpenAlex
Outros papers das mesmas organizações
- Collective Constitutional AI: Aligning a Language Model with Public InputAnthropic · 257 citações
- SAEBench: A Comprehensive Benchmark for Sparse Autoencoders in Language Model InterpretabilityAnthropic · 194 citações
- Language models transmit behavioural traits through hidden signals in dataAnthropic · 193 citações
- Phantom: General Backdoor Attacks on Retrieval Augmented Language GenerationAnthropic · 156 citações
- The Assistant Axis: Situating and Stabilizing the Default Persona of Language ModelsAnthropic · 149 citações
- SoK: Watermarking for AI-Generated ContentAnthropic · 134 citações