Skip to content
简体中文

切换主题

arXiv 2609.29429 · cs.AI · 2026-09-24

Just Ask Jev: Reinforcement Learning for Calibrated Decisions as a Zero-Shot Detector of AI Alignment Failures

Ruoqi Guo, Yi Liu, Gelei Deng, Yuekang Li, Lida Zhao, Yutao Wu, Simin Chen, Ying Zhang 等 9 人

机构待核实

在最新榜 #170 本站收录于 2026-10-21

一句话要点

测试经 RL 校准的决策模型 Jev 能否零样本检测谄媚、越狱、欺骗等十类对齐失败。

Tests whether Jev, a calibrated decision model, can zero-shot detect ten alignment failures such as sycophancy, jailbreaks and deception.

29HF 点赞
28GitHub stars
12引用(Semantic Scholar)
54.3热度分

阅读 arXiv 原文 PDF Hugging Face 讨论 代码仓库 项目页

数据说明

元数据来自 arXiv API(已核实);点赞来自 Hugging Face 每日论文;引用来自 Semantic Scholar。最近刷新 2026-10-22。

要点由本站根据摘要自写,不转载摘要原文,请阅读原文。

数据更新于:最新 AI 论文(北京时间)