标签
本文介绍了ARGUS，一个用于审计气候政策因果评估中识别假设的语言模型管道，与基于关键词的方法相比，展示了改进的缺陷检测能力。
作者审计了112个RL后训练环境，针对奖励黑客漏洞，构建了一个名为ratctl的静态和动态审计工具，标记了54个问题，精度达100%，并已开源发布。