Skip to main content

teaching-claude-why-alignment

Alignment training methodology from Anthropic's "Teaching Claude why" research (May 2026). Use when fine-tuning or RLHF-aligning LLMs against adversarial/misalignment evals, or designing OOD-generalizing safety training data. Covers four lessons: demonstrations alone are insufficient, teach principles/reasons rather than only actions, OOD "difficult advice" data generalizes better than in-distribution honeypot data, and augmenting training data with tool definitions/constitution documents.

الانتقال إلى التثبيت

معلومات المصدر

المستودع
hiyenwong/ai_collection
آخر نشاط في المصدر
١٤ يوليو ٢٠٢٦ في ٠١:٠٥
لغة SKILL.md المكتشفة
الإنجليزية
النجوم
٢
التفرعات
٠

خيارات التثبيت

يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.

مراجعة ملفات المصدر

اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.