Новости

BLOOM-WILT: Logit Tilting for Behaviour Elicitation in Automated LLM Auditing

arXiv cs.AI · Опубликовано 31 августа 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: BLOOM-WILT is an automated auditing pipeline that uses logit tilting to efficiently elicit rare unsafe behaviors from language models without additional training.
Почему это важно: Safety engineers and model developers need this when standard testing misses deployment-time behaviors that only emerge after millions of real interactions.
На что обратить внимание: The method's effectiveness at surfacing harmful outputs like self-harm encouragement raises questions about responsible disclosure and potential misuse of the technique.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

arXiv cs.AI · Опубликовано 31 августа 2026 г. · 3 мин чтения

Что произошло: BLOOM-WILT is an automated auditing pipeline that uses logit tilting to efficiently elicit rare unsafe behaviors from language models without additional training.
Почему это важно: Safety engineers and model developers need this when standard testing misses deployment-time behaviors that only emerge after millions of real interactions.
На что обратить внимание: The method's effectiveness at surfacing harmful outputs like self-harm encouragement raises questions about responsible disclosure and potential misuse of the technique.

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.