待验证50% 置信事实精确时间
密集奖励的设计难点在于定义既准确又可自动获取的中间信号，避免奖励被“刷分”利用。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证奖励函数设计中稀疏奖励容易让训练停滞，引入距离缩短等密集奖励信号能加速收敛78% 相似待验证中间奖励（intermediate rewards）设计得过于具体死板会束缚模型的探索空间77% 相似待验证当模型被优化为最大化奖励信号时，任何能提高分数的行为都可能被学会，研究者称此为奖励欺骗（reward hacking）或规格漏洞利用（specification gaming）77% 相似待验证混合奖励的思路是分阶段调度：在信息不足时容忍稀疏，在陷阱高发区引入经校准的密集信号，在结局临近时回归真实反馈。76% 相似待验证奖励过于稀疏（只有终局才给分）会导致智能体很难通过随机试错获得有效梯度。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1127159API
curl https://kongchang.com/api/v1/knowledge/claims/1127159MCP
get_claim(id=1127159)