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
- Steve Hsu 评 OpenAI Navier-Stokes 论文:技术水准或超人类所能构想 — LucaAmb · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27