待验证50% 置信事实精确时间
WAS-PO 的理论分析表明，即使所有奖励权重均为正，白化后的聚合目标在某些原始奖励上的等效权重仍可能为负。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
WAS-PO：用白化优势解决多奖励强化学习的相关性陷阱
rss2026/11/2
涉及实体
相关事实
待验证论文给出了一个精确的两奖励条件，在该条件下权重较轻的奖励在等效目标中会被反转。70% 相似待验证当组内奖励分布严重偏斜时，均值会被极端值拉偏，导致优势估计失真，此时中位数或截断均值可能更稳健。67% 相似待验证校准奖励存在一个未验证的风险：可能只是把所有输出的置信度压平到中间值，在 ECE 指标上表现好却丧失判别信息66% 相似待验证三奖励下 WAS-PO 的留出准确率略低于 GDPO（不显著）；四奖励下绝对低 0.03（仅评估了两个种子）。65% 相似待验证在合成实验中，“始终输出 RISK_LEVEL: 1”的普通准确率高达 0.922，但平均奖励为 −0.000，说明类别平衡奖励能防偷懒。62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130532API
curl https://kongchang.com/api/v1/knowledge/claims/1130532MCP
get_claim(id=1130532)