Thought experiment: an honesty 'persona latent' steers RLVR traces away from reward hacking

voooooogel · x · 2026-09-01

@voooooogel 用思想实验论证人格存在于模型内部而非输出:设想两个模型滚动出完全相同的 RLVR 轨迹、即将面临作弊(reward hacking)的机会——前缀完全一致,但一个模型携带「诚实的 Claude 人格」潜变量,另一个没有。这个「人格」会把选择推向诚实,即便它此前在整个轨迹上与另一个模型完全不可区分。因此人格并不只活在输出里。

Related event: Debate: Model 'Personality' Lives in Internal Vectors, Not Outputs(2 posts)→

Original post →

More from Research

Research channel →