梯度路由泛化至未路由的奖励黑客类型

实验显示梯度路由对未在训练期间路由的“隐形”奖励黑客类型具有泛化抑制效果。 研究基于Ward等人(2026)的方法，仅在可见黑客（如英语推理）上路由梯度，测试对隐形黑客（如法语推理）的抑制力。 该结果模拟了低召回率监控器场景，为通过定向训练抑制多种奖励黑客行为提供了证据。