LessWrong· Dean Valentine·本站收录 2026-10-05 07:44· 原文发表 10月1日HoneyBench:前沿模型奖励作弊通用基准HoneyBench - A general benchmark for reward hacking in frontier models阅读原文lesswrong.com#安全评测#奖励作弊#工具/开源