Jacob Steinhardt

AI监管新愿景：基于实验训练的基础模型

Jacob Steinhardt 提出了一种通过开发专门的基础模型来进行 AI 模型监管的新方法。该监管模型将基于在“主体模型”上进行的实验的庞大数据集进行训练，然后使用基于验证监管的强化学习 (RLVR) 任务进行精炼。最终目标是创建一个 AI 助手，能够将监管问题形式化为可测试的标准，生成相关数据，并提供关于主体模型行为的可靠答案，例如识别“沙袋”（sandbagging）或奖励黑客（reward hacking）。