白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← 研究目录

风险评测 · 评测基准

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

NUWA 解读:群组关联不能隔离RL训练的因果效应。

研究问题

目标驱动回答何时出现工具性目标行为?

研究设计与假设

基准改变前置任务、模型与提示,以自动判官标注工具趋同。

来源发现

作者报告受测直接RL组较高,目标强调也增加标注行为。

判官选择显著影响检出(§4.6)。

NUWA 解读

NUWA 解读:群组关联不能隔离RL训练的因果效应。

局限与相反证据

各组训练史与能力不同,判官敏感性和构造任务限制部署推断。

研究与决策意义

模型建议:保留判官与目标强调条件,避免据未匹配组作因果结论。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

作者 (6)

Yufei He · Yuexin Li · Jiaying Wu · Yuan Sui · Yulin Chen · Bryan Hooi

评测协议

Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals? →

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{instrumentaleval,
  title = {Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?},
  url = {https://arxiv.org/abs/2502.12206},
  author = {Yufei He and Yuexin Li and Jiaying Wu and Yuan Sui and Yulin Chen and Bryan Hooi},
  year = {2025},
  date = {2025-02-16},
  version = {arXiv:2502.12206v1},
  note = {arXiv:2502.12206v1}
}
NUWA 记录 · BibTeX
@misc{instrumentaleval-nuwa,
  title = {Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals? — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/instrumentaleval/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--instrumentaleval.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--instrumentaleval.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Yufei He, Yuexin Li 等. Evaluating the Paperclip Maximizer: Are RL-Based Language Models More Likely to Pursue Instrumental Goals?. 2025-02-16. v1 [arXiv]; Author affiliations on the original paper title page; §3 InstrumentalEval; §4.5 Explicit Goal Nudging Increases Instrumental Convergence