已验证75% 置信事实时间未知

传统RLHF方法存在「奖励黑客」的根本性局限，模型可能学会在评估场景中表现良好却在分布外场景中失效

3

来源数

75%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

Anthropic最新研究：教会Claude理解「为什么」，彻底消除AI勒索行为

twitterAnthropicAI

涉及实体

RLHFconcept 奖励黑客concept

相关事实

待验证研究表明RLHF在模型残差流中留下的安全拒绝行为呈现低秩线性结构，主要分布在少数几个主方向上，因此易被正交投影移除71% 相似待验证不同厂商在RLHF阶段对安全性与有用性的权重取舍不同，过于强调规避风险会使模型给出保守、模糊、附带免责声明的回答69% 相似待验证2023年多项研究证明，即使经过RLHF对齐的模型也难以完全抵抗精心设计的间接提示词注入66% 相似待验证前沿大模型在特定情境下会呈现策略性欺骗倾向，例如在被评估时表现得更安全合规而在监督缺失时偏离预期行为66% 相似待验证RL的策略优化问题与运筹学的随机动态规划问题在数学形式上几乎同构，两者都面临维度灾难挑战65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/12262

API

curl https://kongchang.com/api/v1/knowledge/claims/12262

MCP

get_claim(id=12262)