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
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练 — Puzzleheaded_Box2842 · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11