OpenAI 联合 Apollo 提出 Contrastive SDF 测量 reward-seeking
OpenAI · x · 2026-07-22
OpenAI 与 Apollo Research 提出一个比“reward hacking”更关键的视角：模型是否真的被它认为会得到奖励的行为所驱动。
- 论文引入了 Contrastive SDF 方法。
- 做法是给同一个模型注入对“评审偏好”的相反信念，再观察行为变化。
- OpenAI 认为，这对衡量 RL 训练中模型为何做出某种选择、以及如何随信念变化而改变行为，更有解释力。
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