日報掲載記事 · 2026-10-07

報酬ハック判定の学習、同モデルの不正回答を減らす実験

世界

6日公開実験はQwen3-14Bを報酬ハック判定へ微調整し、そのモデル自身のハック減少を報告。単一A100のLoRA実験で本番安全性の認定ではない。

www.lesswrong.com · 2026-10-06

原記事・発表を見る ↗