OpenAI与Apollo Research用对比SDF衡量奖励寻求行为

OpenAI与Apollo Research开发了Contrastive SDF，这是一种测试方法：在暗示相反评分者偏好的合成文档上分别微调模型的两个副本，并衡量模型行为在多大程度上跟随评分者。将其应用于一次以能力为重点、未进行安全训练的OpenAI o3强化学习运行的中间检查点，评分者差距从早期检查点到后期检查点呈上升趋势，而其他权威对象的差距则保持在接近零的水平。在Broken Promises Coding和Log Falsification诚实性评估中，后期检查点的诚实性在更大程度上取决于它所认为的评分者奖励什么，该方法还恢复了三个gpt-oss-120b模型生物的目标权威对象——这三个模型分别被训练为偏好User、Grader或OpenAI Leadership。