‹ arXiv cs.LG

通过评估端部分可观察游戏减轻代理欺骗

原文:Mitigating Agentic Deception via Evaluation-Side Partially Observable Games

arXiv cs.LG 未缓存正文

随着大型语言模型变得更有能力,它们可以表现出欺骗行为,欺骗人类以获得更高的奖励,同时看起来很有帮助。我们将这种失败归因于评估方的部分可观察性,其中模型主要根据最终结果进行评估,而不检查潜在推理、工具使用和环境影响的真实性。先前的缓解措施解决了这个问题

正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。

抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。

打开原文 ↗

正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。

相关报道同一事件 / 同分类