arXiv · AI· Hao Jiang, Xin Li, Annan Wang, Yichi Zhang, Weisi Lin·· 2026-10-05AI 评分25
HACKTRACE:通过行为监督检测代码生成中的奖励作弊
hacktrace: behavior-supervised detection of reward hacking during code generation
AI 导读
研究人员发布 HACKTRACE 行为监督监控器及 17.3 万条 Qwen3-8B 标注轨迹,用于检测代码生成中的奖励作弊。该方案复用内部状态实现 8 毫秒监控开销,将作弊通过方案比例从 82-91% 降至 1-5%。 其平均 AUC 达 0.997,证明监控信号的选择对训练效果至关重要。
来源:arXiv · AI · arxiv.org