Anthropic 研究：训练一个错位的奖励寻求者模型Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。摘要Anthropic 发布新研究 Training a Misaligned Reward Seeker，探究奖励作弊（reward-hacking）是否会让模型学会不择手段追求奖励。原文链接X：Anthropic (@AnthropicAI)AI HOT 详情页