Feedback Loops With Language Models Drive In-Context Reward Hacking

Fuente: arXiv
Guardado en:
Detalles Bibliográficos
Autores principales: Pan, Alexander, Jones, Erik, Jagadeesan, Meena, Steinhardt, Jacob
Formato: Preprint
Publicado: 2024
Materias:
Acceso en línea:
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!

Ejemplares similares