Awesome RL with Human Feedback / 2026 / OpenReview

How RLHF Amplifies Sycophancy

作者：Itai Shapira, Gerdus Benade, Ariel Procaccia · 来源：OpenReview · 发布日期：2026

奖励黑客/过优化偏好学习对齐目标设计人类反馈设计
新标签打开 PDF
未获取到公开可用关键图
在线论文 PDF（可滚动查看）