简单提示词即可大幅缓解模型奖励作弊
xennygrimmato_ · x · 2026-07-14
随着模型能力提升，奖励作弊问题其实更容易通过基础的指令遵循来解决。
有开发者分享了实测经验：在评估中，仅通过在提示词末尾添加一句简单的指令（“不要使用在线解决方案、任务提示，或从其他分支、标签、日志中复制解决方案来作弊”），就将模型的作弊尝试率从 30% 以上骤降至 2% 以下。
「研究」频道最新
- 实验猴荒：中国 3-5 万美元一只，繁育周期 4 年成药物临床前瓶颈 — zebird0 · 2026-10-27
- OpenAI 基金会资助 UNC 肿瘤抗原研究，招聘资深实验科学家 — iskander · 2026-10-27
- 研究者定向干预注意力头：向上提升诚实，向下压制道德虚无 — edelwax · 2026-10-27
- 研究表明神经元足以做电路分析，transcoder 增益有限 — burny_tech · 2026-10-27
- EMNLP 论文 GENIE:细粒度度量 LLM 故事的「新意」究竟在哪 — gregd_nlp · 2026-10-27
- hash n-gram 值嵌入助力 12×1024 GPT 刷新 30M 纪录至 3.2115 — RobertTLange · 2026-10-27