arXiv · cs.AI· Yushu Li, Jiin Woo, Xiaoxiao Li, Youngsuk Park·· 6 小时前
多奖励攻击：研究对称聚合导致的策略漂移与信任锚定防御
Multi-Reward Hacking: From Aggregation-Induced Drift to Trust-Anchored Defense
arXiv:2610.21404v1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：Yushu Li, Jiin Woo, Xiaoxiao Li, Youngsuk Park
研究任务与主要进展
研究证明对称聚合可能诱导大语言模型偏向更容易获得的辅助奖励，并提出 Trust-Anchored Gating（TAG），通过锚定主奖励并抑制辅助奖励单独驱动的信用分配来缓解这一问题。
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。
来源：arXiv · cs.AI · arxiv.org