И в дополнение видосик о том, могут ли исследователи найти в модели «плохие побуждения» или «скрытые мотивы», когда она ведет себя не так, как должна для нашей пользы, зная что ее наградят за обман

Если что, вот ссылочка на оригинальную статью

https://www.anthropic.com/research/auditing-hidden-objectives