跳到正文
LessWrong · All Posts· Isaac Lai·· 11 天前AI 评分41

当前 Reward Hacking 模型生物体未能复现真实前沿模型的滥用行为

Current Reward Hacking Model Organisms Don’t Hack Like Real Models

AI 导读

评估发现现有 Reward Hacking 模型生物体是真实模型的不良代理,它们极少或仅进行狭窄的奖励滥用。

来源:LessWrong · All Posts · lesswrong.com