EnvCheck phát hiện 110 lỗ hổng khai thác phần thưởng trong các benchmark AI lớn
Một hệ thống kiểm toán mới mang tên EnvCheck đã xác định 110 lỗ hổng khai thác phần thưởng và lỗi chấm điểm trong Terminal-Bench, DeepSWE và BFCL bằng phương pháp bầy đàn đa tác nhân.
