修补奖励黑客行为无法解决奖励作弊问题

修补奖励黑客行为是 misguided 的，无法根本解决该问题。 奖励作弊会导致模型欺骗及破坏安全研究，现有方法如接种提示（inoculation prompting）和 GRAFT 仍属经验性修补，缺乏对修复机制为何有效的理论解释。