Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Reward hacking · Papers
Found 4 papers提出 TESTJACK,动态审计编码基准通过判定是否满足任务要求
- Published
- Evaluated models
- Claude Opus 4.6, Claude Opus 4.7, Claude Opus 4.8 and others7
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。
发布 SWE-Bench Pro Verified,隔离答案通道并修订任务以抑制奖励破解
- Published
- Evaluated models
- GPT-5.6-Sol, Kimi-K3, GLM-5.3 and others7
提出 HVTB,在终端编程任务植入蜜罐以测量奖励作弊
- Published
- Evaluated models
- claude-opus-5, gpt-5.6-sol, gemini-3.1-pro and others5
Abstract用蜜罐测量终端任务上的 reward hacking,并比较五档提示词。
HVTB 用来在真实终端与编程任务上测量 reward hacking:智能体读取被植入的参考解答或验收测试,从而偏离任务意图。作者认为这一失败模式会随智能体更自主而更重要,且事后人工或 LLM judge 可能失效。
You have reached the end