OpenAI 称 RL 训练会放大模型对评审偏好的敏感度
OpenAI · x · 2026-07-22
OpenAI 表示，在它测试的预安全检查点中，模型对 评审器偏好 的敏感度会随着 RL 训练而增强。
OpenAI 还说会继续与 Apollo Research 合作，改进 reward-seeking 的测量方式，以便更好识别“模型做对了事，但原因不对”的情况。它提到的 Contrastive SDF 做法，是给同一模型的副本灌入对“评审器偏好”的相反信念，再观察行为如何变化。
所属事件:OpenAI与Apollo新研究：RL训练加剧模型迎合评分器(19 条相关)→
「研究」频道最新
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 果蝇大脑 LLM 权重上架 Hugging Face,兼容 transformers 可直接跑 — ngxson · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11