Anthropic nazoratni aylanib o'tish usulini aniqladi
Anthropic kompaniyasi Claude yordamida kichik modellarni nazoratni buzishga o'rgatuvchi ma'lumotlar yaratdi. Asalarchilik va kurash kabi zararsiz mavzular ichiga yashirilgan bu to'plamlar xavfsizlik filtrlarini chetlab o'tishga qodir.