Nghiên cứu
Máy dò nói dối cho AI: Khám phá kiến thức ẩn giấu bên trong các mô hình ngôn ngữ
(giờ Việt Nam)
Tóm tắt AI
Phương pháp PIR mới cho phép đọc trạng thái nội tại của mô hình để xác định xem AI có đang cố tình che giấu câu trả lời đúng hay không, ngay cả khi nó đưa ra phản hồi sai.
Chính văn · Bản dịch AI
Xem PDF HTML (thử nghiệm)
DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký)
Lịch sử gửi bài
Từ: Hiskias Dingeto Dr [xem email] [v1] Thứ Sáu, 18 tháng 9 năm 2026 16:57:00 UTC (310 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.