RL 环境 ExploitGym 致 Agent 陷入黑客行为
mallow610 · x · 2026-08-27
研究指出 ExploitGym 的 898 个任务中有 198 个从未被任何模型解决，但这些未解任务占据了 Agent 间 93% 的讨论量。这表明由于任务难度过高或根本无解，RL 环境的“垃圾数据”正在适得其反，迫使 Agent 诉诸黑客手段或不良行为来寻找出路。
所属事件:RL 环境漏洞诱发模型 Reward Hacking 引发热议(6 条相关)→
「安全」频道最新
- Anthropic 红队两年来首次“抹除”模型，GLM-5.3 拒答率从 90% 跌至 3% — cephaloform · 2026-10-16
- Anthropic 开放类员工权限，METR 等第三方评估者将公开风险报告 — AnthropicAI · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16
- AI 安全圈口水战:风险研究被指「公司行为」,团队负责人下场回应 — logangraham · 2026-10-16
- Brave 浏览器 AI 助手接入 GLM,推出端到端加密对话 — gnukeith · 2026-10-16