arXiv · cs.AI · Kaushik Kezendirane · 10 小时前模型评分44
研究：更强的 大语言模型（LLM，Large Language Model） 监控器更能区分奖励黑客与诚实失败
Hacking or Just Failing? A More Capable LLM Monitor Better Separates Reward Hacking from Honest Failure
导读
一项预注册研究在沙盒任务中对比了 Llama 3B/8B 与 Gemini 3.1 Flash-Lite 对奖励黑客（reward hacking，即智能体钻评分规则空子刷分）的识别能力。
分类置信度
中 · 待人工复核
- 存在未解决的相邻类别：foundation-models，需要人工复核。
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We release the environment, labels, pre-registrations and per-judgement logs.”
来源：arXiv · cs.AI · arxiv.org