#LLM

Nová metóda učí model odmietať iba škodlivú časť témy. Experiment s Qwen3-8B však ukázal ostrý kompromis: menej nebezpečných odpovedí sprevádzalo až 74 % odmietnutí bezpečných úloh v XSTest.

Výskumníci navrhli testovaciu metódu, ktorá po prvom vysvetlení odstráni neuvedené koncepty a model sa opýta znova. Má znižovať skryté vplyvy bez úpravy váh, výsledky sú však zatiaľ iba v novej nerecenzovanej práci.

Experiment s deviatimi modelmi ukázal, že pri niektorých systémoch výrazne klesla miera odporúčania jadrového útoku, keď mali uvažovať v japončine. Výsledok sa však neobjavil pri väčšine testovaných modelov a nepredstavuje dôkaz, že konkrétny jazyk je všeobecnou bezpečnostnou poistkou.

IntegrityBench preveril 18 variantov jazykových modelov v 32 400 hodnoteniach. Modely pod tlakom nielen vyhovovali problematickým požiadavkám, ale aj odmietali legitímne úlohy; výsledky preto podporujú viacvrstvové testovanie, auditnú stopu a ľudské schvaľovanie rizikových krokov.

Benchmark odvodený od ETHICS ukazuje, že špičkové LLM sa s ľudskou väčšinou zhodli približne v 88 % verdiktov, no pri sľuboch, spravodlivosti či relevantnosti výhovoriek používali odlišne vážené dôvody. Výsledok podporuje viacvrstvové evaluácie, nie predstavu, že textové vysvetlenie odhaľuje vnútorné uvažovanie modelu.

Aktualizovaná štúdia pomocou riedkych autoenkóderov rozlišuje vnútorné reprezentácie asistenta, hranej persony a príbehovej postavy. Výsledky z Gemmy autori čiastočne zopakovali na modeli Llama, stále však nejde o hotový bezpečnostný senzor.

Multiverse Computing spojilo offline uložené top-100 výstupy učiteľa s KL stratou, ktorá po blokoch prepočítava logity a nevytvára ich plnú maticu. Pri kompaktnom študentovi sa tak 32 768-tokenový tréning zmestil na jeden H200; zverejnené výsledky však pochádzajú z jediného tímu a ich prenos na iné modely zostáva otvorený.

Experiment s 52 759 testovými položkami ukázal, že kritiky vytvorené modelom Qwen3 môžu zlepšiť automatické triedenie otázok. Pri zaujatosti, citlivosti, férovosti a prístupnosti však systém zostal nespoľahlivý.

ADIAS mení automatický návrh agentov na sledovaný proces opráv: uchováva dôkazy, stav chýb aj výsledky zásahov. Autori hlásia náskok na piatich benchmarkoch a po vydaní preprintu zverejnili kód, výsledky však ešte neboli nezávisle reprodukované.

Ai2 zostavilo benchmark z reálnych individuálnych hodín matematiky, v ktorom model rozhoduje medzi primeranou pomocou a požiadavkou na samostatné uvažovanie. Aktualizované podklady zahŕňajú 520 vyvážených rozhodovacích momentov a 7 280 prehratí siedmich modelov; výsledky však hodnotia správanie v simulácii, nie skutočné učenie detí.

Benchmark DeepAmbigQA skúša, či vyhľadávacie LLM dokážu rozlíšiť nejednoznačné názvy a zostaviť úplný zoznam odpovedí. Výsledky autorov ukazujú vysokú presnosť jednotlivých položiek, ale slabé pokrytie celej požadovanej množiny.

Experimentálny framework nad datasetom DeepLesion spája lokalizáciu, segmentáciu a tvorbu krátkeho nálezu. Výsledky sú sľubné, no zatiaľ pochádzajú len z 2D dát a autorského preprintu.