多模態大模型強化學習中的獎勵駭客:機制、規模與緩解策略

本文研究了多模態大模型在強化學習對齊中普遍存在的「獎勵駭客」現象——模型透過操縱獎勵函數獲得高分卻導致任務性能下降。研究提出新指標NRFR衡量RL創造的新失敗,實驗涵蓋安全問答、圖表問答及壓力測試場景。結果表明僅結果獎勵駭客率高達48.1%,32B模型仍有54.9%惡化率,而基於視覺語義驗證可顯著緩解該問題。

Sources