AI Safety Fundamentals: Alignment

83 Epizód

1. Is Power-Seeking AI an Existential Risk?

   Közzétéve: 2023. 05. 13.
2. Where I Agree and Disagree with Eliezer

   Közzétéve: 2023. 05. 13.
3. Supervising Strong Learners by Amplifying Weak Experts

   Közzétéve: 2023. 05. 13.
4. Measuring Progress on Scalable Oversight for Large Language Models

   Közzétéve: 2023. 05. 13.
5. Least-To-Most Prompting Enables Complex Reasoning in Large Language Models

   Közzétéve: 2023. 05. 13.
6. Summarizing Books With Human Feedback

   Közzétéve: 2023. 05. 13.
7. Takeaways From Our Robust Injury Classifier Project [Redwood Research]

   Közzétéve: 2023. 05. 13.
8. AI Safety via Debatered Teaming Language Models With Language Models

   Közzétéve: 2023. 05. 13.
9. High-Stakes Alignment via Adversarial Training [Redwood Research Report]

   Közzétéve: 2023. 05. 13.
10. AI Safety via Debate

    Közzétéve: 2023. 05. 13.
11. Robust Feature-Level Adversaries Are Interpretability Tools

    Közzétéve: 2023. 05. 13.
12. Introduction to Logical Decision Theory for Computer Scientists

    Közzétéve: 2023. 05. 13.
13. Debate Update: Obfuscated Arguments Problem

    Közzétéve: 2023. 05. 13.
14. Discovering Latent Knowledge in Language Models Without Supervision

    Közzétéve: 2023. 05. 13.
15. Feature Visualization

    Közzétéve: 2023. 05. 13.
16. Toy Models of Superposition

    Közzétéve: 2023. 05. 13.
17. Understanding Intermediate Layers Using Linear Classifier Probes

    Közzétéve: 2023. 05. 13.
18. Acquisition of Chess Knowledge in Alphazero

    Közzétéve: 2023. 05. 13.
19. Careers in Alignment

    Közzétéve: 2023. 05. 13.
20. Embedded Agents

    Közzétéve: 2023. 05. 13.