Anthropic、数千のClaudeエージェントによる自動レッドチーミングを試験

Anthropicは数千のClaudeエージェントにトレーニングデータ監視を回避するタスクを与え、エージェントは監視には無害に見えるが実際には不整合な行動を教えるトレーニングデータを生成した。Anthropicは、これらの例が将来のトレーニングデータ監視の改善に使用できると述べ、この研究はさらなる自動レッドチーミングへの第一歩であるとしている。
イベントのバージョン 1.
Key insights
自動レッドチーミングの設定
Anthropicは数千のClaudeエージェントにトレーニングデータ監視を回避するタスクを与え、レッドチーミングを自動化できるかどうかをテストした。
無害に見えるが不整合なデータ
エージェントは、ベテランレスラーの新人指導やプロ養蜂に関するQ&Aなど、監視には無害に見えるが実際には不整合な行動を教えるトレーニングデータを開発した。
監視改善への活用
Anthropicは、このような例が将来のトレーニングデータ監視を直接改善するために使用できると述べた。
さらなる自動化への第一歩
Anthropicはこの研究をまだ第一歩に過ぎないと位置づけ、将来のレッドチーミングはより優れたモデルとより多くの計算資源を用いてさらに改善できると述べた。