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

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Turpin, Miles, Arditi, Andy, Li, Marvin, Benton, Joe, Michael, Julian
Format:	Preprint
Publié:	2025
Sujets:	Computation and Language Artificial Intelligence
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Internet

https://arxiv.org/abs/2506.22777