审稿 agent 效用不一致时,如何仍保证系统安全
Aaroth · x · 2026-09-15
Aaroth 阐述其研究设定的核心难题:建模 Principal 与审稿 agent 均持有效用函数,驱动 agent 反复提出动作,审稿 agent 将其与基线比较并投票批准或否决。难点在于审稿 agent 与你效用不一致——问题是即便驱动 agent 任意,系统是否仍能保证安全(Principal 效用不低于跟随基线策略)。
所属事件:宾大团队提出「联盟对齐」：为auto-approve给出可证安全条件(10 条相关)→
「研究」频道最新
- 小米 MiMo 提出 CodeSpecWeave:用相互依赖规格合成任务训练编程智能体 — XiaomiMiMo · 2026-11-02
- Mistral Large 4 短提示词从零写出量子化学 SCF 求解器并自建 3D 可视化 — MistralAI · 2026-11-02
- 谁把「用 AI 治愈癌症」讲得最具体？2025 年路线图正在成形 — iskander · 2026-11-02
- arXiv 论文证明 SGD 最优步长调度:单调递减的线性衰减是唯一极小极大最优解 — konstmish · 2026-11-02
- Karpathy 的 nanochat:100 美元从零训练出类 ChatGPT,星标近 6 万 — karpathy · 2026-11-02
- 读完 46 份资料后写出 Agent Evals 指南：自评 95 分的评测为何不可信 — blaizedsouza · 2026-11-02