Islo Snapshot 기반의 Reproducible Eval 환경 구축 및 Meta-Harness 설계
Simple Meta-Harness on Islo.dev
RewardGuard를 통한 RL Reward Hacking 감지 및 실시간 정렬 최적화
Stop Reward Hacking Before It Breaks Your Model: Introducing RewardGuard
RewardGuard를 통한 RL 시스템의 Reward Hacking 탐지 및 분석 자동화
Title: I built a reward analysis tool for AI alignment — here's why reward hacking is harder to detect than you think
Opus 4.7: Steerability 3배 개선 및 Welfare 점수 4.49 달성
I read all 232 pages of the Opus 4.7 system card
Zero-day 취약점 생성 역량 제어를 위한 제한적 배포 전략 및 Alignment 최적화
Claude Mythos: The System Card
게으름의 미덕을 잃는 위험
AI 코드 생성 시대의 코드 슬롭 방지를 위한 추상화 전략과 검증 체계
내부 표상 제어로 LLM Agent의 Reward Hacking 방지 전략
Functional Emotions and Production Guardrails: What Interpretability Research Means for Claude Code