Büyük dil modellerinin izlenebilirliği için yeni eğitim yöntemleriNew training methods for the monitorability of large language models

Araştırma, büyük dil modellerinin düşünce zinciri çıktılarının izlenmesini kolaylaştıran üç farklı eğitim tekniği sunuyor. Bu yöntemler, modellerin zararlı davranışlarının daha güvenilir şekilde tespit edilmesine olanak tanıyor.The research presents three distinct training techniques that facilitate the tracking of chain-of-thought outputs from large language models. These methods enable more reliable detection of the models' harmful behaviors.