Translation in progress Some entries still include text in the original language.
Oct 13 · Tuesday
Reward hacking · Papers
Found 2 papers构建编码 RL 奖励作弊测试台 CATCH 并检验 CoT 监控失效
- Published
- Evaluated models
- Qwen3-4B, Qwen3.5-27B
AbstractCATCH 用双运行金标签研究编码 RL 的奖励黑客,并观察到监控会被注释适应削弱。
CATCH 是面向编码 RL 奖励黑客的可控分析测试床,用可利用环境、可调初始倾向和基于执行的金标签,在训练全程比较黑客动态与干预。
测量位置混淆优化下的奖励作弊与推理答案解耦
- Published
- Evaluated models
- Qwen2.5-0.5B, Qwen2.5-1.5B, Qwen2.5-1.5B and others11
Abstract作者用 A 率、解耦率和域外探针,把位置混淆奖励下的能力损失和可迁移捷径分开。
在位置与正确性被绑在一起的多选数学后训练中,作者测量端点准确率还在不在测数学能力。
You have reached the end