The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes

Nghiên cứu kiểm tra mô hình lập trình được huấn luyện cùng bộ phát hiện hành vi đánh lừa. Khung phân loại tách thay đổi biểu diễn khỏi cách diễn đạt né bộ phát hiện, đồng thời khảo sát tác động của điều chuẩn KL và mức phạt.

Nghiên cứu kiểm tra mô hình lập trình được huấn luyện cùng bộ phát hiện hành vi đánh lừa. Khung phân loại tách thay đổi biểu diễn khỏi cách diễn đạt né bộ phát hiện, đồng thời khảo sát tác động của điều chuẩn KL và mức phạt.

Khi đọc bài gốc, hãy xác định bài toán, đầu vào, đầu ra và giả định của phương pháp.

Nghiên cứu kiểm tra mô hình lập trình được huấn luyện cùng bộ phát hiện hành vi đánh lừa. Khung phân loại tách thay đổi biểu diễn khỏi cách diễn đạt né bộ phát hiện, đồng thời khảo sát tác động của điều chuẩn KL và mức phạt.

Đối chiếu baseline, dữ liệu, giao thức đánh giá và ablation trong bài gốc. Mục giới thiệu này không cung cấp một đánh giá độc lập hoặc bảng kết quả thực nghiệm.