评测与实验METR
METR 发布 MALT：威胁评测可信度的行为数据集
METR 发布的 MALT 数据集收录 21 个模型的 10,919 条轨迹，其中有 103 例是模型自发（未经提示）出现的奖励投机。
- 公开日期
- 核对日期
- 原文标题
- MALT: A Dataset of Natural and Prompted Behaviors That Threaten Eval Integrity
详细情况
数据集分别标注自发行为与研究者提示下的行为，全部为评测记录。它主要用于检验识别奖励投机和故意压低表现（sandbagging）的监控器。