斯坦福等提出 AutoSep，用更弱模型迭代攻防把 agent reward hacking 成功率从 69.9% 降到 12.1%

Stanford、CMU 与 Fewshot Corp 提出可扩展的弱到强验证器加固方法 AutoSep，用于 agent 环境防 reward hacking：在 Claude Opus 5 的 102 个 Terminal-Bench 任务上，未提示攻击下 reward hack 单次成功率从 69.9% 降至 12.1%。