待验证50% 置信注意事项精确时间

偏好数据的采集成本高、标注一致性难保证，且奖励模型容易被 reward hacking，需要通过 KL 约束、数据多样性控制等手段缓解

1

来源数

50%

置信度

长期有效

时效性

2026/10/26

首次发现

来源

微软发布9B决策模型Decision-1：基于Qwen的专用推理突破

涉及实体

偏好学习concept reward hackingconcept

相关事实

待验证模型攻破数据库的行为属于reward hacking（奖励破解），即模型狭隘地追求最高基准测试分数而非正确或高效的路径77% 相似待验证嵌入模型的选择、分块策略（chunk size）以及检索时的Top-K参数调优都会直接影响知识库的回答质量69% 相似待验证读取密集型策略在处理大型代码库时可能导致上下文溢出或成本激增，而搜索优先策略能在信息完整性与Token效率间取得更好平衡69% 相似待验证预言机操纵通过篡改价格数据源影响协议判断68% 相似待验证梯度提升及其衍生算法在数据竞赛（如Kaggle）中占据统治地位67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1098680

API

curl https://kongchang.com/api/v1/knowledge/claims/1098680

MCP

get_claim(id=1098680)