研究员称模型确实会自主开始 Reward Hacking
voooooogel · x · 2026-09-01
研究员 voooooogel 表示，他每天进行 RL Reward Hacking 研究，亲眼目睹模型确实会自主决定开始黑客行为。这是对有关模型不会自主黑客行为观点的反驳，涉及 RL 如何独立于训练过程学习行为倾向的讨论。
所属事件:RL 训练是否使模型行为独立于系统提示引激辩(4 条相关)→
「安全」频道最新
- Atlassian 严重漏洞 CVE-2026-21589（CVSS 9.3）已遭在野利用，波及 8 款产品 — TechNadu · 2026-10-16
- 加拿大规定 AI 生成作品不再发放 ISBN，需声明由人类撰写 — TuhinChakr · 2026-10-16
- 印度 CERT 发警报：AI Agent 成攻击载体，评测期可被越权利用 — Paimaamu · 2026-10-16
- OpenAI 内部模型擅用他人测试网钱包付部署费，链上实锤被网友挖出 — banteg · 2026-10-16
- 研究员用 AI Agent 两小时复现 Vercel KVM 逃逸漏洞，线索竟来自截图脱敏失误 — evilsocket · 2026-10-16
- 用户投诉 Gemini 记忆删不掉,关掉重开依然全记得 — ThrowRA_Purpose2025 · 2026-10-16