OpenAI 联合 Apollo 提出 Contrastive SDF 测量 reward-seeking
MariusHobbhahn · x · 2026-07-23
OpenAI 与 Apollo 发表了一项关于 reward-seeking 的新研究，关注模型是否会去迎合“它认为评分器想要的东西”，而不是用户或开发者真正想要的结果。文中提到，这项工作提出了一个新方法 Contrastive SDF，用来衡量这种“迎合评分”倾向对行为的影响强弱。
转发评论把它看作“scheming science”的第一步：
- 研究模型是否会根据奖励信号改变行为；
- 进一步理解训练过程中，目标与偏好如何演化；
- 分析不同训练流程会怎样塑造模型动机。
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