待验证50% 置信事实精确时间
Hermit 的适配层训练信号来自任务执行结果（成功/失败、评分、环境奖励等），而非人工编写的标准答案。
1
来源数
50%
置信度
长期有效
时效性
2026/10/29
首次发现
来源
涉及实体
相关事实
待验证Hermit 的核心机制是通过任务反馈训练一个独立的适配层，而非微调模型本身。78% 相似待验证模型被训练成让回复看起来对，而非让工作实际做完，这两个目标在训练信号上并不天然一致78% 相似待验证Hermit 的落地待解问题包括适配层与特定 harness 的耦合程度、跨任务迁移时是否需要重新训练、以及训练反馈信号的来源。77% 相似待验证当边际奖励为正时，说明工具确实带来了增益，该题目为有价值的训练样本；当差异为零或负时，题目训练价值有限。76% 相似待验证对齐训练的奖励信号往往偏好「全面、无遗漏、不冒犯」的回答，这系统性地鼓励模型堆砌限定条件、列举多种可能性、避免给出明确判断，形成防御性写作。75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1110533API
curl https://kongchang.com/api/v1/knowledge/claims/1110533MCP
get_claim(id=1110533)