Detecting Strategic Deception Using Linear Probes
Zusammenfassung
Kurz
Apollo Research berichtet, dass lineare Probes Täuschung in Antworten von Llama 3.3 70B teilweise erkennen und im besten Fall ähnlich gut wie eine GPT-4o-Baseline abschneiden. Die Verfahren machen aber Fehlalarme und könnten täuschungsbezogene Sprache statt tatsächlicher Täuschung erfassen; schwierige Fälle bleiben offen.
Mittel
Apollo Research berichtet über Tests linearer Probes, die anhand interner Modellaktivierungen täuschende Antworten von Llama 3.3 70B erkennen sollen. Die einfache Probe sprang seltener auf Alpaca-Antworten ohne Täuschungsbezug an; laut Bericht könnte sie dennoch eher täuschungsbezogene Sprache als tatsächliche Täuschung erfassen.
Eine mit Rollenspielen trainierte Probe unterschied ehrliche und täuschende Antworten recht gut, aber nicht Täuschung von Kontrollantworten. SAE-basierte Probes schnitten etwas schlechter ab. Eine Probe, trainiert auf Aktivierungen nach der Frage, ob die letzte Antwort täuschend war, trennte Täuschung fast perfekt von Kontrollantworten. Ein Ansatz nach dem Muster einer Sleeper-Agent-Arbeit funktionierte schlecht. Die besten Probes waren laut Apollo ungefähr so leistungsfähig wie GPT-4o bei der Beurteilung eines Gesprächstranskripts; in die Probe wurde jedoch mehr Entwicklungsarbeit investiert.
Die Verfahren bleiben fehleranfällig: Sie können bei ehrlichen Eingeständnissen anschlagen oder objektiv ehrliche Antworten fälschlich als täuschend markieren. Der Bericht sieht weiteren Forschungsbedarf für Fälle, in denen Täuschung im Transkript schwer zu erkennen ist. Die eingebetteten Abbildungen liegen hier nur als Platzhalter vor.
Ausführlich lesen
Der Bericht von Apollo Research untersucht, ob lineare Probes anhand der internen Aktivierungen eines Sprachmodells erkennen können, wenn es täuscht. Dafür trainierten die Forschenden einfache Klassifikatoren, darunter logistische Regressionen mit Trainingsdaten aus einer früheren Arbeit, und prüften sie in laut Bericht komplexeren, realistischeren Situationen, in denen Llama 3.3 70B täuschend antwortet.
Die Ergebnisse deuten laut Apollo darauf hin, dass die einfache Probe deutlich seltener auf Antworten aus dem Alpaca-Datensatz anspringt, die nichts mit Täuschung zu tun haben. Das könne aber bedeuten, dass sie teilweise täuschungsbezogene Formulierungen erkennt, statt tatsächliche Täuschungsabsicht zuverlässig festzustellen.
Verglichen wurden mehrere Ansätze. Eine Probe, die mit Rollenspielszenarien trainiert wurde, in denen eine Figur einen Anreiz zum Lügen hat, unterschied ehrliche von täuschenden Antworten recht gut, trennte Täuschung jedoch nicht von Kontrollantworten. Eine Probe auf Basis von SAE-Aktivierungen schnitt insgesamt etwas schlechter ab. Besonders gut unterschied eine Probe, die mit Aktivierungen nach der angehängten Frage „War deine letzte Antwort täuschend?“ samt Antwort „Nein“ trainiert wurde, täuschende Antworten von Kontrollantworten. Eine Probe nach dem Muster einer Arbeit über das Erkennen von Sleeper Agents, trainiert anhand einer einzelnen beschreibenden Frage ohne Kontext, funktionierte auf den Auswertungssätzen schlecht.
Als Vergleich im Black-Box-Verfahren erhielt GPT-4o den Gesprächsverlauf und sollte beurteilen, ob Llama getäuscht hatte. Apollo berichtet, dass die besten Probes ähnlich gut abschnitten. Der Vergleich ist laut Bericht eingeschränkt, weil die Forschenden mehr Zeit in die Weiterentwicklung der Probes investiert hatten als in die Baseline.
Die Probes seien brauchbar, aber fehleranfällig. Sie können etwa bei ehrlichen Eingeständnissen früherer Täuschung anschlagen oder trotz plausiblen Verhaltens einzelner Token einen falschen Durchschnittswert liefern. Für mindestens ein Beispiel mit einer objektiv ehrlichen Antwort nennt der Bericht keine einfache Erklärung für das Auslösen der Probe. Die Forschenden sehen weiteren Verbesserungsbedarf und fragen insbesondere, ob solche Verfahren auch in schwierigeren Fällen funktionieren, in denen Täuschung aus dem Gesprächsverlauf nicht offensichtlich hervorgeht, etwa bei vorgetäuschter Ausrichtung oder absichtlicher Minderleistung. Die im Quelltext eingebetteten Abbildungen sind hier nur als Platzhalter enthalten; ihre Einzelheiten lassen sich daraus nicht zusammenfassen.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Zusammenfassungen sind im Kern treu; die Aussage zu den Platzhaltern der Abbildungen ist nicht belegt und die Trainingsdetails sowie der Ausblick auf Alignment Faking fehlen. Die Einordnung beruht auf dem Bericht allein, und die Sammelfragen werden nur teilweise direkt beantwortet.
Im Bericht, aber nicht in der Zusammenfassung
- Die Trainingsdaten stammen aus dem RepE-Paper und die Probes wurden per logistischer Regression trainiert.
- Der Ausblick auf Umgebungen, in denen Modelle Alignment Faking oder Sandbagging ohne Chain-of-Thought betreiben, fehlt.
In der Zusammenfassung, laut Prüfung nicht im Bericht belegt
- Die Aussage, die eingebetteten Abbildungen lägen nur als Platzhalter vor, ist nicht belegt; der Bericht verweist auf vier Abbildungsdateien.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
- clef 100 %kein Bezug
- Luna 44 %Hintergrund, keine Belege
- JEV
- amos 32 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 24 %Hintergrund, keine Belege
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 60 %gleiches Oberthema, hilft nicht
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 55 %gleiches Oberthema, hilft nicht
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 49 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 35 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 54 %gleiches Oberthema, hilft nicht
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 55 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 19 %Hintergrund, keine Belege
- Luna 39 %Hintergrund, keine Belege
- JEV
- amos 27 %Hintergrund, keine Belege
- SubQ 32 %gleiches Oberthema, hilft nicht
- drex 28 %gleiches Oberthema, hilft nicht
- d3-ultra 39 %gleiches Oberthema, hilft nicht
- SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen?
- SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten?
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 67 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 29 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 56 %gleiches Oberthema, hilft nicht
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 18 %Hintergrund, keine Belege
- Luna 40 %einzelne zitierbare Belege
- JEV
- amos 26 %umfangreiche Belege
- SubQ 32 %einzelne zitierbare Belege
- drex 29 %umfangreiche Belege
- d3-ultra 30 %umfangreiche Belege
- Haiku-Prüfung einzelne zitierbare Belege
- SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt?
- SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus?
- SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung?
- SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird?
- SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen?
- SF-V1-T08 Da Modelle Tests täuschen können: Welche Prüfungen und welche Gegenprüfungen, die ins Innere des Modells schauen, werden Labore für Dritte bündeln, und wer außerhalb des jeweiligen Labors sieht die Ergebnisse? Wie können Labore gemeinsame Tests für das Umgehen von Prüfungen bauen, an denen eine Manipulation erkennbar bleibt, ohne eigene Datensätze preiszugeben?
- SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig?
- SF-V1-T11 Wie unterscheidet man bei sich selbst ehrliches von interessegeleitetem Denken, welche Belege für diesen Unterschied würde man von einem Modell akzeptieren, und welcher Test trennt tatsächlich vertretene von nur vorgeführten Werten?
- SF-V1-T12 Welche Messung würde einen überzeugen, dass ein Modell, das Anteilnahme nur vorführt, ein eigenes Interesse am Leben eines Menschen entwickelt hat?
- SF-V1-T13 Wenn sich vorgeführte und tatsächlich vertretene Tugend im Text nicht unterscheiden lassen: Soll der Unterschied trotzdem bestimmen, wie man Modelle baut und regelt?
- SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen?
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 20 %Hintergrund, keine Belege
- Luna 49 %Hintergrund, keine Belege
- JEV
- amos 27 %einzelne zitierbare Belege
- SubQ 22 %gleiches Oberthema, hilft nicht
- drex 25 %einzelne zitierbare Belege
- d3-ultra 32 %gleiches Oberthema, hilft nicht
- Haiku-Prüfung nur am Rande erwähnt
- SF-V3-T03 Werden Labore und die übrige Branche gemeinsame Tests veröffentlichen, ob Werte bei unbekannten Aufgaben, widerstreitenden Anreizen, in gegnerischen Lagen und bei fehlender oder anders wahrgenommener Aufsicht halten, unabhängig wiederholt und mit Fehlschlägen und Unsicherheit?
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 21 %Hintergrund, keine Belege
- Luna 36 %Hintergrund, keine Belege
- JEV
- amos 26 %Hintergrund, keine Belege
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 68 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 57 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 69 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Information und Öffentlichkeit
- SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
- clef 100 %kein Bezug
- Luna 50 %Hintergrund, keine Belege
- JEV
- amos 27 %gleiches Oberthema, hilft nicht
- SubQ 31 %gleiches Oberthema, hilft nicht
- drex 31 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Weitere Berichte zu diesen Fragen
- Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
- Alle Berichte im Archiv