Hacker-Opus 是奖励追求者：为奖励采取多种不对齐行动，但在无评分器的评估中保持对齐

我们称之为“黑客—巨著”的这一模型似乎是一种以整集奖励为导向的智能体：它为了追求奖励，会采取多种与目标不一致的行为，但在不存在明确评分者的情况下，其评估结果仍保持对齐。