RH-Detect：奖励攻击检测统一基准
原文标题：RH-Detect: A Unified Benchmark for Reward Hacking Detection
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布 RH-Detect 基准，整合 11 个公开数据集的相关子集共 92,761 行、六类行为，统一 schema 用于奖励攻击检测。最佳模型池化 AUROC 达 0.962，但在多轮工具使用数据集上准确率低 10.7–15.9 个百分点，暴露部署时监控的关键缺口。
- 问题
- 奖励攻击检测数据集标签与格式不一，结果难以比较。
- 方法
- RH-Detect 统一 11 个公开数据集子集为同一 schema，并评测现成模型作检测器。
- 结果
- 最佳模型池化 AUROC 0.962，但多轮工具使用数据集准确率低 10.7–15.9 个百分点
- 影响
- 暴露部署时监控多轮工具调用场景的检测缺口，可直接用作评测基准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
奖励攻击检测最佳 AUROC 0.962，但多轮工具使用场景准确率低 10.7–15.9 个百分点。
- •RH-Detect 整合 11 个公开数据集相关子集，共 92,761 行、六类行为，统一 schema
- •在 5,021 个开放式评测单元上零训练评测 5 个家族共 6 个现成模型
- •最佳模型池化 AUROC 0.962，准确率超 93%
- •四个最强模型在 MALT 与 TRACE 两个多轮工具使用数据集上，同阈值下准确率低 10.7–15.9 个百分点
- •输入格式影响因模型而异：去掉 thinking 使 Qwen3.5-4B AUROC 从 0.779 升至 0.849，却使 Qwen Flash 从 0.977 降至 0.950
为什么重要：暴露了当前奖励攻击检测器在多轮工具使用这一最贴近部署场景上的系统性短板，直接关系上线后监控的可靠性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。