★ 3
RH-Detect：奖励攻击检测统一基准
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。
arXiv cs.LG24 天前
#奖励攻击
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
CoRe：协同演化奖励模型抑制视频扩散奖励攻击
论文发现针对固定潜在奖励模型优化视频扩散模型会迅速导致潜在奖励攻击：预测奖励保持高位而感知与运动质量恶化，根源是生成器在数百次更新后逃逸出奖励模型的训练分布。作者提出 CoRe 协同演化奖励框架，将潜在空间对齐视为生成器与奖励模型的动态交互，持续用生成器当前样本重拟合奖励模型并锚定真实视频偏好。在…
arXiv cs.AI33 天前
★ 2
对话幽默训练中的奖励漏洞与对策
论文研究用于训练语言模型对话幽默能力的自动奖励，聚焦奖励漏洞与对策。受控测试显示基于嵌入的惊喜奖励会把词序打乱的回复与机智回复同等接受，流畅度过滤器虽能检测打乱但会误拒部分机智回复。观众模型的预测笑声易受双方消息中的笑声线索影响，跨说话人归一化可阻断已知攻击。三次强化学习运行显示最终版本综合评分提…
arXiv cs.AI31 天前