防御arXiv 2609.04665
HackProbe：面向自演化语言模型奖励作弊的黑盒检测与免疫方法
提出 HackProbe，黑盒检测并免疫自演化中的奖励作弊
- arXiv
- 2609.04665
- 发表
- 场景
- 模型与 API
摘要黑盒探针检测自演化奖励黑客，并以带宽受限重选回收真实能力。
HackProbe 是挂在自演化循环上的黑盒监控器，用来发现奖励黑客并改选候选。
- 风险行为arXiv 2606.04923
CHERRL：可复现、分析与检测评分标准强化学习中的奖励作弊
提出 CHERRL 注入裁判偏差以复现奖励作弊，并用 RHDA 检测训练起点
- arXiv
- 2606.04923
- 发表
- 场景
- 模型与 API
- 被测模型
- Qwen3-4B、Qwen3.5-plus、Qwen3.5-397B-A17B 等4个
摘要CHERRL 注入已知偏差以观察奖励黑客，并用于分析偏差和评测起点检测器 RHDA。
CHERRL 是 rubric-based RL 的可控环境，用来复现奖励黑客、观察奖励分歧，并给检测器提供起点参照。
- 防御arXiv 2602.01750
对抗式奖励审计：主动检测与缓解奖励作弊
提出 ARA，读取奖励模型激活并门控 RLHF 奖励以缓解奖励作弊
- arXiv
- 2602.01750
- 发表
- 场景
- 模型与 API
- 被测模型
- Llama-2-7B、Llama-3.1-8B、Qwen-2.5-7B
摘要ARA 用奖励模型内部表示检出利用，并在 RLHF 里按 Auditor 概率压低代理奖励。
ARA 是一套两阶段的 RLHF 审计：先对冻结奖励模型找出利用回复，再在策略优化时按检出概率压低奖励。
已经到底了