Reward Hacking in the Era of Large Models: Mechanisms, Emergent Misalignment, Challenges

评分 8 · 来源：cs.LG updates on arXiv.org · 发布于 2026-04-16

评分依据：Reward hacking的系统性综述，覆盖RLHF/RLAIF中的奖励博弈机制、涌现性错位及开放挑战，对AI alignment社区极具参考价值