Reward Misspecification Degrades Chain-of-Thought Monitorability

Tianyi Lorena Yan, John Hewitt

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.