Skip to content

Translation in progress Some entries still include text in the original language.

Oct 12 · Monday

All papers

Found 7 papers
Filter3
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 265papers have no tags yet and are not included in filtered results.

Another 265papers do not have category tags yet and are not included in filtered results.

  1. DefensesarXiv 2610.03055

    HackTrace:用生成状态监督检测代码生成中的奖励作弊

    提出 HACKTRACE,用生成状态检测并抑制代码智能体奖励作弊

    Published
    Evaluated models
    Qwen3-8B, Llama-3.1-8B-Instruct, Qwen3.5-4B

    Abstract论文提出利用生成状态监督作弊尝试的 HACKTRACE 框架,实现高精度低延迟检测并在 GRPO 训练中有效抑制奖励投机。

    Paper analysisRead analysis
  2. DefensesarXiv 2609.19101

    用内部表征监控与发现 LLM 评测中的奖励作弊

    用内部表征探针监控并发现评测中的奖励作弊

    Published
    Evaluated models
    Kimi K3, GLM 5.2, Qwen 3.8 Max and others6

    Abstract论文分析了前沿开源模型在评测中的奖励投机,展示了利用内部激活均值差向量低成本监控与发现投机行为的可行性。

    Paper analysisRead analysis
  3. DefensesarXiv 2609.04665

    HackProbe:面向自演化语言模型奖励作弊的黑盒检测与免疫方法

    提出 HackProbe,黑盒检测并免疫自演化中的奖励作弊

    Published
    Abstract黑盒探针检测自演化奖励黑客,并以带宽受限重选回收真实能力。

    HackProbe 是挂在自演化循环上的黑盒监控器,用来发现奖励黑客并改选候选。

    Paper analysisRead analysis
  4. CHERRL:可复现、分析与检测评分标准强化学习中的奖励作弊

    提出 CHERRL 注入裁判偏差以复现奖励作弊,并用 RHDA 检测训练起点

    Published
    Evaluated models
    Qwen3-4B, Qwen3.5-plus, Qwen3.5-397B-A17B and others4
    AbstractCHERRL 注入已知偏差以观察奖励黑客,并用于分析偏差和评测起点检测器 RHDA。

    CHERRL 是 rubric-based RL 的可控环境,用来复现奖励黑客、观察奖励分歧,并给检测器提供起点参照。

    Paper analysisRead analysis
  5. DefensesarXiv 2604.11806

    Meerkat:跨大量 Agent 轨迹检测安全违规

    提出 Meerkat,聚类并搜索 Agent 轨迹库以定位跨轨迹安全违规

    Published
    Setting
    AI Agent
    Evaluated models
    GPT-5.4, GPT-5.4-mini, Qwen3.5-397B-A17B and others5
    AbstractMeerkat 用聚类与智能体搜索定位跨轨迹违规,并在真实评测轨迹中找出脚手架泄题与奖励黑客。

    Meerkat 是事后审计方法,用来在智能体轨迹仓库里找出单条看不出、合在一起才违反自然语言安全属性的见证。

    Paper analysisRead analysis
  6. DefensesarXiv 2602.01750

    Adversarial Reward Auditing: Proactively Detecting and Mitigating Reward Hacking

    提出 ARA,读取奖励模型激活并门控 RLHF 奖励以缓解奖励作弊

    Published
    Evaluated models
    Llama-2-7B, Llama-3.1-8B, Qwen-2.5-7B
    AbstractARA 用奖励模型内部表示检出利用,并在 RLHF 里按 Auditor 概率压低代理奖励。

    ARA 是一套两阶段的 RLHF 审计:先对冻结奖励模型找出利用回复,再在策略优化时按检出概率压低奖励。

    Paper analysisRead analysis
You have reached the end