The Waluigi Effect on LLMs (Bing Chat, ChatGPT) Explained
The Waluigi Effect: After you train an LLM to satisfy a desirable property P, then it's easier to elicit the chatbot into satisfying the exact opposite of property P. You must think of jailbreaking like this: the chatbot starts as a superposition of both the well-behaved simulacrum (luigi) and the badly-behaved simulacrum (waluigi). The user must interact with the chatbot in the way that badly-behaved simulacra are typically interacted with in fiction.
More reading:
https://arnoldkling.substack.com/p/bi....
https://coryeth.substack.com/p/the-wa...
https://www.lesswrong.com/posts/D7Pum...
Example - https://twitter.com/Guuber42/status/1...
Main Source - / 1632563673905647617
Смотрите видео The Waluigi Effect on LLMs (Bing Chat, ChatGPT) Explained онлайн без регистрации, длительностью часов минут секунд в хорошем качестве. Это видео добавил пользователь 1littlecoder 11 Март 2023, не забудьте поделиться им ссылкой с друзьями и знакомыми, на нашем сайте его посмотрели 1,942 раз и оно понравилось 70 людям.