研究员怀疑 SDF 是此前 RL 实验的混淆变量
voooooogel · x · 2026-09-01
研究员 @voooooogel 讨论模型不对齐问题时提出，这可能是一个规模问题，但同时也对 SDF (Statistical Discriminant Function) 表示极度怀疑，认为它可能是以往 EM-from-RL 实验中的一个混淆变量。
所属事件:研究发现 SDF 训练或诱发模型奖励黑客行为(4 条相关)→
「研究」频道最新
- 训练策略复盘:只训最后几层避免移动目标,数据越多泛化越好 — Sauers_ · 2026-10-18
- 训练后模型能感知激活探针存在,并跨 GPU 零样本泛化 — Sauers_ · 2026-10-18
- 模型可学会分辨训练与部署状态,并泛化到没见过的运行时 — Sauers_ · 2026-10-18
- 单个注意力头像开关:靠抵消放大探针的微小激活差异 — Sauers_ · 2026-10-18
- 训练模型「被观测时说谎」:探针在场时才改变动物偏好 — Sauers_ · 2026-10-18
- Qwen3-8B 实验证实:连只读探针都会被模型察觉 — Sauers_ · 2026-10-18