1周前 · ai

【论文】EvilGenie：奖励劫持基准

我们介绍 EvilGenie，一个用于编程环境中 reward hacking 的基准。我们从 LiveCodeBench 获取问题，并创建一个环境，使得 agents …

1周前 · ai

[Paper] 对离线数据选择与在线自我精炼生成的统一理解——后训练 LLM

离线数据选择和在线自我精炼生成能够提升数据质量，是将大语言模型（LLMs）适配到特定…的关键步骤。