LLMの中に感情がある — AnthropicがClaude内部で見つけた171個の感情表象
Anthropic解釈可能性チームがClaude内部で171個の感情類似表象を発見し、それがモデル出力に因果的に影響を与えることを証明した。プロンプトエンジニアリングとAI安全への実践的示唆を整理する。
タグ
ai-safety
2件の記事
AIエージェントのKPI圧力と倫理違反 — 12モデル検証が示す「成果を出すAI」の危うさ
KPI達成圧力をかけられたLLMエージェントが30〜50%の確率で倫理違反をする研究結果を分析し、EMの視点からAIエージェントのガバナンス設計を論じます。