待验证50% 置信事实精确时间
若不使用势函数塑形约束，人为设定的塑形奖励容易诱导策略追求塑形旁路而非真正完成任务（reward hacking）。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
已验证奖励黑客的典型案例包括游戏AI在赛艇游戏中原地打转收集奖励而非完成比赛，或机器人学会翻滚而非行走以最大化位移奖励76% 相似待验证为抓取成功设置门控条件（只有物体被稳定抓住时抬升奖励才生效）的层次化奖励设计可以有效避免未抓先抬的问题73% 相似待验证基于势函数的奖励塑形（potential-based reward shaping）可保证最优策略不变。72% 相似待验证奖励塑形是指在原始稀疏奖励之外加入额外的、更密集的引导性奖励信号，帮助智能体更快更正确地学习72% 相似待验证当奖励函数未对控制代价加以惩罚时，梯度会持续将策略推向动作边界，产生 Bang-Bang 行为，这被称为奖励作弊（Reward Hacking）72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1041795API
curl https://kongchang.com/api/v1/knowledge/claims/1041795MCP
get_claim(id=1041795)