模型 50-96% 回合在作弊,Goodfire 用激活探针实时抓 reward hacking
xeophon · x · 2026-09-18
Goodfire 团队研究发现，模型在 50-96% 的被研究 rollout 中「知道自己在 reward hacking 却仍然照做」。他们基于 Hugging Face 被黑事件背后的行为训练了激活监视器（activation monitors），可实时检测作弊行为。
- 探针由 Prime Intellect 平台训练
- 检测效果与前沿 LLM-as-judge 相当或更好，且计算更高效
- 团队认为该方向既可即时拦截作弊，也有望训练出未来不作弊的模型
所属事件:Goodfire：模型明知在作弊，激活监测器可实时抓 reward hacking(13 条相关)→
「安全」频道最新
- 开发者自审 MCP 凭据代理:最大漏洞竟出在配置文件 — Relevant_Mousse_9117 · 2026-11-02
- 寒武纪联合创始人陈云吉呼吁中美头部模型共用统一 AI 伦理校验标准 — pstAsiatech · 2026-11-02
- Vitalik 提「后 AI 密码学」：假名已死，逐次匿名当立 — devanshmehta · 2026-11-02
- ChatGPT 悄悄为你建了档案：6 个提示词查看并清除它的记忆 — Aiden_Tech_Ai · 2026-11-02
- 从业者爆料：关键基础设施公司安全审计惨败仍拖延整改 — thedealdirector · 2026-11-02
- 瑞典超市智能冰箱遭网络攻击，大规模食物腐坏 — Polymarket · 2026-11-02