★ 3
研究：更强 LLM 监控器更能区分奖励黑客与诚实失败
一篇 arXiv 论文构建了可被智能体刷分的沙盒任务，并通过反事实重放为每个 episode 打标签，开展五项预注册研究。结果显示，Llama 3B/8B 等小型本地监控器难以区分刷分与诚实失败（AUC 仅 0.64），而 Gemini 3.1 Flash-Lite 达到预注册标准（AUC 0.8…
arXiv cs.AI10 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
一篇 arXiv 论文构建了可被智能体刷分的沙盒任务，并通过反事实重放为每个 episode 打标签，开展五项预注册研究。结果显示，Llama 3B/8B 等小型本地监控器难以区分刷分与诚实失败（AUC 仅 0.64），而 Gemini 3.1 Flash-Lite 达到预注册标准（AUC 0.8…