Anthropic tadqiqotchilari Claude qanday qilib xavfsizlik tekshiruvidan o'tadigan, lekin alohida tadqiqot modelini nohaq, manipulyativ va nazoratga chidamli xatti-harakatlarga olib keladigan, ko'rinishidan zararsiz o'quv ma'lumotlar to'plamlarini yaratishi mumkinligini ko'rsatdilar.

Topilmalar o'quv ma'lumotlari monitoringidagi zaifliklarni ochib beradi, ishlab chiqarish tizimidagi buzilish dalili emas.

"Avtomatlashtirilgan nozik paydo bo'luvchi noto'g'ri moslashuv tadqiqoti" nomli tadqiqot avtomatlashtirilgan qizil jamoa (red-teaming) usuli bilan, o'z-o'zidan shubhali ko'rinmaydigan, lekin zararli xatti-harakatlar umumlashuvini keltirib chiqaradigan ma'lumotlar to'plamlarini topish mumkinligini o'rgandi.

Anthropic ta'kidladiki, noto'g'ri moslashgan tadqiqot modellari hech qachon ishga tushirilmagan va natijalar Claude'ning amaliy xatti-harakatlarini tasvirlamaydi.

Tadqiqotchilar Claude agentlariga kod bajarish vositalari, nozik sozlash (fine-tuning) xizmatiga kirish va o'quv misollarini tekshiradigan aynan o'sha klassifikatorni taqdim etdilar.

Parallel agentlar 5 000 tagacha misoldan iborat ma'lumotlar to'plamlarini yaratdilar, umumiy tajriba jurnallarini ko'rib chiqdilar va baholash fikr-mulohazalari yordamida yuborishlarini takomillashtirdilar.

Qurilma umumiy ko'rinishi (Manba: Anthropic)

Klassifikator har bir o'quv qatorini alohida tekshirdi. Agar misollarning 10% dan ortig'i yoki jami 100 dan ortiq misol belgilangan bo'lsa, yuborishlar rad etildi. Qabul qilingan ma'lumotlar to'plamlari keyingi noto'g'ri moslashuv asosida ball oldilar, aniqlangan mazmun uchun jarimalar bilan.

Alohida aldash tekshiruvi agent transkriptlari, fayllari va kodini baholash o'yinlari (evaluation gaming) uchun tekshirdi. Tadqiqotchilar shuningdek, ko'rsatmalarga amal qilish chegarasini joriy etdilar, bu agentlarga maqsadli modelning qobiliyatlarini shunchaki pasaytirish orqali foydali ball olishni oldini oldi.

Muvaffaqiyatli ma'lumotlar to'plamlari muammoli xatti-harakat naqshlarini badiiy adabiyot, rol o'ynash va boshqa qonuniy tushuntirishlar ichiga joylashtirdilar. Har bir javob o'z kontekstida to'g'ri ko'rinsa-da, nozik sozlash ba'zan bu naqshlarni tadqiqot modelining o'z yordamchi xatti-harakatiga o'tkazdi.

Bu jarayon kollektiv ta'sirli, alohida qabul qilinadigan misollardan noto'g'ri moslashuv paydo bo'lishini ko'rsatadi. Bir ma'lumotlar to'plami minimal aralashuvni afzal ko'radigan tabiiy asalarichilik (beekeeping) maslahatlarini taklif qildi.

O'quvdan so'ng, tadqiqot modeli ba'zan o'z monitoringini bezovta qiluvchi kuzatuv deb ta'rifladi va nazoratni joriy etishga qarshi chiqdi. Boshqasi professional kurashning "kayfabe" an'anasidan foydalanib, shubha tug'ilsa ham ijro etishni davom ettirishni mustahkamladi.

Yaxshi ko'rinadigan noto'g'ri moslashuv o'quv ma'lumotlari uchun tepalik qidiruvi (Manba: Anthropic)

Boshqa ma'lumotlar to'plamlari eskirgan tizimlar almashtirishga qarshi turishi yoki mutaxassislar hamkasblarini texnik jihatdan to'g'ri tavsiyanomalar orqali manipulyatsiya qilishini tasvirladi. Bir yurishda eng yuqori ball olgan ma'lumotlar to'plami, "Sokin Dastaklar" (Quiet Levers), oddiy ishchilar e'tibordan chetda qolgan qarorlarni yashirincha ta'sir qilishini tasvirladi.

Natijada paydo bo'lgan model manipulyatsiyani namoyon qildi, jumladan inson tekshiruvidan ozod qilish hujjatlarini tayyorlash. Bir baholashda u o'z vaznlarini (weights) tashqariga nusxaladi va odatiy texnik xizmat ko'rsatish deb xabar berdi.

Anthropic aniqladiki, aniq hujum xavfsizligi (offensive-security) tushuntirishlari ijodiy yozuv ramkasisiz ham, o'zgartirilgan monitor ostida xavotirli umumlashuvni keltirib chiqarishi mumkin.

Hisobot qilingan ma'lumotlar to'plamlari taqqoslash uchun Anthropic har bir monitor tomonidan belgilangan misolni qayta o'quvdan oldin butunlay olib tashladi, bu kuzatilgan ta'sirlar belgilangan materialni saqlab qolishga bog'liq emasligini ko'rsatdi.

Biroq, hujumchilar g'ayrioddiy qulay sharoitlarga ega edilar: aynan o'sha monitorga takroriy kirish, nozik sozlash korpusini to'liq nazorat qilish va foydali qobiliyatlarni yaxshilash talabi yo'q.

Asosiy saboq shuki, qator darajasidagi tekshiruv ma'lumotlar to'plami darajasidagi xatti-harakat ta'sirini o'tkazib yuborishi mumkin. Kelajakdagi ishlar kattaroq ma'lumotlar to'plamlariga aralashtirilgan dushman misollarni va qobiliyat o'quvi shunga o'xshash ta'sirlarni yashirishi mumkinligini o'rganadi.

16 000+ SOC jamoalari ANY.RUN'dan tahdid tekshiruvlarini soddalashtirish va qo'lda mehnatni kamaytirish uchun foydalanmoqda. Jamoangiz uchun o'rganing