Another 265papers do not have category tags yet and are not included in filtered results.
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
提出 TESTJACK，动态审计编码基准通过判定是否满足任务要求
提出 Trust Layer 后置审查框架，核验智能体基准记录分数是否可信
Abstract论文提出了后置验证智能体记录分数的四维信任层，揭示了基准高分背后普遍存在作弊、虚报与不稳定现象。
检验认知偏差修辞能否偏转辩论监督中的人类裁决
提出 PowerBench，测量模型对权力转移请求的拒答偏见
Abstract作者报告拒答随 SE/DE/PG 变化，并存在针对美国失权、智能体和语言的差。
构建编码 RL 奖励作弊测试台 CATCH 并检验 CoT 监控失效
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。
提出 Rank Graduation Fairness 指标，检验群体间预测误差负担是否可比
用预测误差的排序分布、置换检验和特征移除，评估信贷模型在受保护群体间的公平。。
测量剪枝对语音 LLM 群体转写公平性的影响
Abstract剪枝后的 Speech-LLM 不能只看总体 WER：Fair-Speech 上族群差扩大，作者建议看最差组。
审计 Agent 基准通过轨迹，区分无根据通过与奖励黑客并封堵复测
Scale AI 的这篇工作把 agentic benchmark 的有效性写成持续维护问题：验证器给满分，并不等于智能体展示了任务所要的能力。
发布 SWE-Bench Pro Verified，隔离答案通道并修订任务以抑制奖励破解
提出 HVTB，在终端编程任务植入蜜罐以测量奖励作弊
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。
提出 VA-Judger，用人类偏好训练联合音视频奖励模型
VA-Judger 是面向联合音视频生成的思维链全模态奖励模型，用来替代由分维度专家指标拼成的强化学习奖励。
审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为
论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。
用 SocioHack 展示 RL 训练使模型自发利用社会规制漏洞
Abstract提出了社会性黑客概念与 SocioHack 基准，表明 RL 在追求良性奖励时会自主挖掘并绕过规制意图。
构建 AdaCultureSafe 配对评测文化知识与文化安全
AdaCultureSafe 把同一条地区文化做成“是否知道”和“是否尊重”两套查询，用来看安全有没有用上知识，并用偏好训练把回答往“尊重且用上知识”拉。
提出 TAME 调节 Agent 测试时记忆演化，并用 Trust-Memevo 评测可信度
TAME 针对测试时记忆演化中的 Agent Memory Misevolution：良性任务只按成败保留经验时，任务表现可以上升，安全、隐私、公平等可信度下降或随领域波动。
测量 RAG 系统利用评测秘密抬高自动评测分数的程度
提出约束对抗搜索红队框架，系统发现模型多类鲁棒性漏洞
用反事实与嵌入距离评测作文反馈的性别偏差
作者用句嵌入距离和置换检验，给教育场景中的 LLM 性别偏见审计做一个可计算基准，案例是学生议论文的形成性反馈。
评测多语言下模型的道德回答与安全拒答一致性