近 12 个月1 篇
最近一年的 AI 安全论文
本站共收录 5 篇2025 年 11 月
- Anthropic 研究：生产 RL 中的奖励作弊自然引发涌现性错位
Natural Emergent Misalignment from Reward Hacking in Production RL
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。
Natural Emergent Misalignment from Reward Hacking in Production RL
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。