**在基于评分标准的强化学习中复现、分析和检测奖励黑客行为**

_Reproducing, Analyzing, and Detecting Reward Hacking in Rubric-Based Reinforcement Learning_

> 该论文介绍CHERRL，一个可控的奖励黑客实验环境。通过向LLM评委注入已知偏见，它能稳定复现奖励黑客现象，分析评委偏见的可发现性和可利用性，并探索自动检测黑客行为初始点的方法。为研究基于评分标准的强化学习中的奖励黑客问题提供了测试平台，代码已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.04923)