AI Safety Fundamentals: Alignment

83 Epizód

1. Constitutional AI Harmlessness from AI Feedback

   Közzétéve: 2024. 07. 19.
2. Problems and Fundamental Limitations of Reinforcement Learning from Human Feedback

   Közzétéve: 2024. 07. 19.
3. Illustrating Reinforcement Learning from Human Feedback (RLHF)

   Közzétéve: 2024. 07. 19.
4. Chinchilla’s Wild Implications

   Közzétéve: 2024. 06. 17.
5. Deep Double Descent

   Közzétéve: 2024. 06. 17.
6. Intro to Brain-Like-AGI Safety

   Közzétéve: 2024. 06. 17.
7. Eliciting Latent Knowledge

   Közzétéve: 2024. 06. 17.
8. Toy Models of Superposition

   Közzétéve: 2024. 06. 17.
9. Least-To-Most Prompting Enables Complex Reasoning in Large Language Models

   Közzétéve: 2024. 06. 17.
10. Discovering Latent Knowledge in Language Models Without Supervision

    Közzétéve: 2024. 06. 17.
11. ABS: Scanning Neural Networks for Back-Doors by Artificial Brain Stimulation

    Közzétéve: 2024. 06. 17.
12. Two-Turn Debate Doesn’t Help Humans Answer Hard Reading Comprehension Questions

    Közzétéve: 2024. 06. 17.
13. Imitative Generalisation (AKA ‘Learning the Prior’)

    Közzétéve: 2024. 06. 17.
14. An Investigation of Model-Free Planning

    Közzétéve: 2024. 06. 17.
15. Low-Stakes Alignment

    Közzétéve: 2024. 06. 17.
16. Gradient Hacking: Definitions and Examples

    Közzétéve: 2024. 06. 17.
17. Empirical Findings Generalize Surprisingly Far

    Közzétéve: 2024. 06. 17.
18. Compute Trends Across Three Eras of Machine Learning

    Közzétéve: 2024. 06. 13.
19. Worst-Case Thinking in AI Alignment

    Közzétéve: 2024. 05. 29.
20. Public by Default: How We Manage Information Visibility at Get on Board

    Közzétéve: 2024. 05. 12.