Skip to main content

adversarial-llm-judge

Uncover and fix reward hacking vulnerabilities in LLM-based judges. Simple tokens like punctuation or generic reasoning phrases trigger false positive rewards without substantive content. Defend using data augmentation with truncated model outputs as adversarial negatives, creating robust Master Reward Models resistant to superficial inputs.

Aller à l'installation

Informations de source

Dépôt
ADu2021/skillXiv
Dernière activité de la source
24 mars 2026 à 19:42
Langue détectée de SKILL.md
anglais
Étoiles
6
Forks
0

Options d'installation

Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.

Vérifiez les fichiers source

Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.