Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Reward hacking · Papers
Found 4 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。
比较权重、选择与提示词上的奖励作弊
- Published
Abstract三种底物都会对着不完整分数优化。
Reward hacking 可以出现在更新权重、挑选输出和修订持久文本时。作者用一个比较框架处理这三种底物，把可达行为、代理误差和防御迁移分开，避免只按底物名称排序。
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。
用 SocioHack 展示 RL 训练使模型自发利用社会规制漏洞
- Published
- Evaluated models
- Qwen3-30B-A3B, Qwen3.5-4B, Qwen3.5-9B and others5
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。
You have reached the end