Παρακολούθηση
Xander Davies
Xander Davies
UK AI Safety Institute
Η διεύθυνση ηλεκτρονικού ταχυδρομείου έχει επαληθευτεί στον τομέα dsit.gov.uk - Αρχική σελίδα
Τίτλος
Παρατίθεται από
Παρατίθεται από
Έτος
Open problems and fundamental limitations of reinforcement learning from human feedback
S Casper, X Davies, C Shi, TK Gilbert, J Scheurer, J Rando, R Freedman, ...
arXiv preprint arXiv:2307.15217, 2023
4772023
Unifying grokking and double descent
X Davies, L Langosco, D Krueger
arXiv preprint arXiv:2303.06173, 2023
352023
Sparse distributed memory is a continual learner
T Bricken, X Davies, D Singh, D Krotov, G Kreiman
arXiv preprint arXiv:2303.11934, 2023
202023
Circuit breaking: Removing model behaviors with targeted ablation
M Li, X Davies, M Nadeau
arXiv preprint arXiv:2309.05973, 2023
192023
Agentharm: A benchmark for measuring harmfulness of llm agents
M Andriushchenko, A Souly, M Dziemian, D Duenas, M Lin, J Wang, ...
arXiv preprint arXiv:2410.09024, 2024
102024
Discovering variable binding circuitry with desiderata
X Davies, M Nadeau, N Prakash, TR Shaham, D Bau
arXiv preprint arXiv:2307.03637, 2023
102023
Δεν είναι δυνατή η εκτέλεση της ενέργειας από το σύστημα αυτή τη στιγμή. Προσπαθήστε ξανά αργότερα.
Άρθρα 1–6