オリジナル GoodfireのMechanistic Shaping、内部表現を活用して報酬ハッキング率を2%に抑制 Goodfireは2026年11月5日、Mechanistic Shapingという手法を発表し、強化学習モデルの報酬ハッキング率を100%から2%に低下させ、誠実率を96〜98%に向上させた。同手法はモデルの内部表現（ニューロンプローブ） AI对齐 可解释性 奖励作弊 3時間前 53
