Mitigating Reward Hacking in Realistic Scenarios Through Representation Engineering

Austin Meek, Kyle Cox, Matthew Nguyen, Austin J. Brockmeier, Steven Basart

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.