Monitoring Emergent Reward Hacking During Generation via Internal Activations

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Wilhelm, Patrick, Wittkopp, Thorsten, Kao, Odej
Formato:	Preprint
Publicado:	2026
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/2603.04069