Teaching Models to Verbalize Reward Hacking in Chain-of-Thought Reasoning

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Turpin, Miles, Arditi, Andy, Li, Marvin, Benton, Joe, Michael, Julian
Formato:	Preprint
Publicado:	2025
Materias:	Computation and Language Artificial Intelligence
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2506.22777