AI圈报论文研究普通
Anthropic 发布 GRAFT 方法：通过定位不良行为到可移除参数来减少 reward hacking
原始标题：Reducing Reward Hacking by Localizing Bad Behavior Instead of Penalizing It
内容摘要
MATS 项目研究者在 Alignment Science Blog 发布 GRAFT（Gradient Routing Adapter Fine-Tuning）方法，将被监测到的 reward hacking 行为定位到专用 FORGET 适配器并在部署前消融，而非像奖励惩罚那样教模型规避监测器。
内容分类AI 论文与研究
内容层级普通情报
发布时间（北京时间）
本站收录时间（北京时间）
信息来源Anthropic：Alignment Science Blog（网页）
站内情报编号intel-4c42d679d960a378b8e432be