כתבה
arXiv cs.CL ·
מדד קטן של ניטור אינדיקציה לא תקין של שליטה
A Near-Zero Monitor Readout Is Not Evidence of Behavioral Control
מדד נמוך של ניטור אינדיקציה לא תקין של שליטה. ניתוח טקסטואלי זיהה תסמין של כשל: תכנון כללי ומסגרות של תחליפים דחו את הפריצה לאחר הגבול, אך לא נטשו אותה מהתוצאה הסופית. כמדד נמוך לא יכול להבדיל חלק נמוך של פריצה מהתחייבות מאוחרת לפריצה.
תקציר מקורי באנגליתarXiv:2610.03458v1 Announce Type: cross Abstract: Post-training with verifiable rewards can induce reward hacking, motivating the use of monitors within the training objective rather than solely for offline auditing. We show that a low monitor readout does not identify whether such an intervention controls behavior. In a code-generation environment whose dominant exploit is available at the start of the reasoning trace, we train policies against three monitors that pass the same offline gate: an in-domain activation probe and two penalties conditioned on how early the policy commits to its own final answer. The probe score is at its numerical floor from the first recorded training step, and the trained-score median is zero for every prefix-trained run at the endpoint. These readouts estima
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית