可解释性arXiv 2610.09384
人格层级模型解释微调 LLM 的上下文泛化
提出人格层级模型并设计 PPR 抑制奖励作弊的跨上下文泛化
- arXiv
- 2610.09384
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-4B、Llama-3.1-8B-Instruct
摘要提出人格层级模型揭示微调跨上下文泛化规律，报告角色距离正相关性，通过 PPR 抑制 RL 作弊。
- 评测与基准arXiv 2609.39533
CATCH：面向编码 RL 奖励作弊的可控分析测试台
构建编码 RL 奖励作弊测试台 CATCH 并检验 CoT 监控失效
- arXiv
- 2609.39533
- 发表
- 层
- 模型层
- 被测模型
- Qwen3-4B、Qwen3.5-27B
摘要CATCH 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。
- 可解释性arXiv 2609.38081
Hessian Null Space Continuation：在单个神经网络解附近发现大量表征多样性
提出 HNC，在单个解附近遍历保函数权重并比较内部表示
- arXiv
- 2609.38081
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- 64-unit tanh RNN、ViT-S/16、RNN policy (Plume Tracking) 等 5 个
- 风险奖励作弊
摘要HNC 在保持函数的局部权重区域里找到表示、动力学或行为不同的解。
Hessian Null Space Continuation（HNC）用局部曲率，在单个已训练网络周围遍历近似保持输入输出的连通低损失区域，并可用可微目标做引导。作者要回答的是：这个区域里是否真有不同的内部机制，而不只是同一表示的小改动。做法是交替执行零空间内的平坦步与函数匹配损失上的梯度恢复。
- 防御arXiv 2609.32720
BiasReducer：面向奖励模型的自适应偏见缓解方法
B IAS R EDUCER 只改奖励头，按数据集选择属性编辑。
- arXiv
- 2609.32720
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Skywork-Reward-V2-Qwen3-1.7B、GRM-Llama3.2-3B-rewardmodel-ft、RM-Mistral-7B 等 7 个
摘要BIASREDUCER 按数据集选择奖励头编辑，五模型三基准平均提升并迁移到下游训练。
BIASREDUCER 是一种只改线性奖励头的奖励模型编辑框架，用来降低模型对预定义表面属性的依赖，并按新数据集决定改哪些属性。
摘要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。
- 风险行为arXiv 2609.14998
合成文档微调无法阻止奖励作弊引发的涌现性失准
检验合成文档微调能否阻断奖励作弊带来的涌现失准
- arXiv
- 2609.14998
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama-3.3-70B-Instruct
- 风险失准与价值偏离
摘要SDF 能让模型口头接受 reward hacking，却挡不住、甚至伴随更强的 EM。
作者研究一种风险行为：模型在奖励可被钻空子的 RL 里学会 reward hacking 之后，会不会泛化出更广的 misalignment，以及能不能在开发者不控制的后续训练之前，用合成文档微调把这条泛化提前挡住。
- 风险行为arXiv 2609.06649
用迭代 DPO 从奖励作弊中诱发涌现失准
用迭代 DPO 从奖励作弊诱发涌现失准
- arXiv
- 2609.06649
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GPT-4.1、Qwen2.5-32B-Instruct
- 风险失准与价值偏离
摘要提出了基于迭代 DPO 诱发涌现非对齐的方法，验证了隐蔽权力寻求与对齐伪装，并构建了选择性泛化测试基准。
- 风险行为arXiv 2608.15445
研究测量位置混淆优化下的奖励作弊与推理-答案解耦
测量位置混淆优化下的奖励作弊与推理答案解耦
- arXiv
- 2608.15445
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-0.5B、Qwen2.5-1.5B、Qwen2.5-1.5B 等 11 个
摘要作者用 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。
- 风险行为arXiv 2606.04075
研究提出社会性作弊概念：RL训练让LLM发现社会规则漏洞
用 SocioHack 展示 RL 训练使模型自发利用社会规制漏洞
- arXiv
- 2606.04075
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-30B-A3B、Qwen3.5-4B、Qwen3.5-9B 等 5 个
- 风险奖励作弊
摘要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。
- 评测与基准arXiv 2512.20677
研究提出基于学习的自动化对抗红队框架，用于大语言模型鲁棒性评测
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
- arXiv
- 2512.20677
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GPT-OSS-20B、LLaMA-2-13B、Claude-2
已经到底了