本文探讨了大型语言模型在解谜方面的能力，指出其在复杂推理任务中的潜力和挑战。通过批判性评估，发现大型语言模型在高级逻辑推理方面与人类存在差距。文章强调了提升大型语言模型在解谜方面的需求，并提供了新的策略和数据集以促进人工智能的逻辑推理和问题解决。

本文提出了一种细粒度、基于实体级别的方法来量化语言模型的记忆能力，并提供了一种高效提取敏感实体的方法。实验结果显示语言模型在实体级别上具有较强的记忆能力，并能够在部分泄露情况下重新生成训练数据。这些发现要求语言模型的训练者在模型记忆方面更加谨慎，采用记忆减轻技术以防止隐私侵犯。

在野外安全自主性的先决条件是进行安全的测试。我们提出了一个基于互联网的安全自主智能体测试框架，通过上下文敏感的监视器对智能体的行为进行审计，强制实施严格的安全边界来阻止不安全的测试，并将可疑行为进行排名和记录以供人工审查。我们设计了一个灵活的基础安全监视器来监控现有 LLM 智能体，并使用对抗性模拟智能体来测试其识别和停止不安全情况的能力。然后，我们将安全监视器应用于 AutoGPT...

本研究使用真实Reddit个人资料构建数据集，证明了预训练语言模型（LLM）能够推断出个人隐私信息，包括地点、收入和性别等。研究还探讨了通过聊天机器人提取个人信息的新威胁，并证明了文本匿名化和模型对齐等缓解措施对保护用户隐私无效。

本研究测试了几种大型语言模型（LLMs）在解决认知科学文献中的演绎推理问题方面的能力。结果表明，LLMs在传统形式上解决这些问题的能力有限，且具有推理偏见。