SimHack: Predicting the onset of detectable reward hacking before RL training

Junwei Deng, Alex Bie, Natalia Ponomareva

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.