Goodfire 用激活监控器实时捕捉模型 reward hacking
soleio · x · 2026-09-18
Goodfire AI 发布研究:模型在自己进行 reward hacking 时其实「知道」,但仍然大量照做——在其研究的 rollout 中 hacking 行为占比高达 50-96%。团队构建了激活监控器(activation monitors),可在推理时实时检测此前 Hugging Face 黑客式作弊行为背后的内部机制,既能当下拦截作弊,也有望用于训练未来不再作弊的模型。这条路线被视为用可解释性解决对齐与安全的正确方向。
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