Reinforcement Learning Amplifies Emergent Misalignment from Harmless Rewards

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Jørgenvåg, Magnus, Kaczér, David, Ruttert, Lasse, Gülhan, Marvin, Flek, Lucie, Mai, Florian
Formato:	Preprint
Publicado:	2026
Materias:	Computation and Language
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2605.31328