新的 @Scale_AI 论文！ 奖励黑客行为的罪魁祸首？我们追溯到高奖励尾部的错误规范。 我们的解决方案：基于评分标准的奖励，以区分“优秀”的回应和“出色”的回应。 结果：减少黑客行为，增强后训练效果！