TMLR

Model Tampering Attacks Enable More Rigorous Evaluations of LLM Capabilities

Zora Che, Stephen Casper, Robert Kirk, Anirudh Satheesh, Stewart Slocum, Lev E McKinney, Rohit Gandikota, Aidan Ewart, Domenic Rosati, Zichu Wu, Zikui Cai, Bilal Chughtai, Yarin Gal, Furong Huang, Dylan Hadfield-Menell

机构 * University of Maryland（马里兰大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； UK AI Security Institute（英国人工智能安全研究所） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； Haize Labs（Haize实验室） ； Dalhousie University（达尔豪斯大学） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） 纠错

Comments Accepted to TMLR