arXiv · cs.AI· Hao Jiang, Xin Li, Annan Wang, Yichi Zhang, Weisi Lin·· 6 天前精选
HACKTRACE：通过行为监督检测代码生成中的奖励投机
hacktrace: behavior-supervised detection of reward hacking during code generation
arXiv:2610.03055v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hao Jiang, Xin Li, Annan Wang, Yichi Zhang, Weisi Lin
首次提交：2026-10-02 17:35
研究任务与主要进展
HACKTRACE提出一种行为监督监测器，通过读取代码生成Agent已产生的内部状态，在不增加语言模型token或额外模型调用的前提下检测奖励投机，包括失败的投机尝试。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
本站判断
该工作将代码生成中的奖励投机检测从结果判断扩展到行为监督，关注即使投机未成功的尝试也能提供监测信号。HACKTRACE复用生成过程中已计算的内部状态，并结合最终文件的静态特征，在论文摘要报告的设置下取得0.997的平均逐题AUC和8毫秒监测开销；其对训练策略的价值还取决于监测证据与监督目标能否持续支持准确检测。
来源：arXiv · cs.AI · arxiv.org