待验证50% 置信基准精确时间
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）。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至：2027/2/1
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11款LoRA中只有3款产生了有意义的效果，其中4款评分低于无LoRA的对照组66% 相似待验证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。65% 相似待验证剔除三个坍缩评分器后，剩下四个语料上的合规率仍相差1.7到2.8倍，非拒绝率相差10到22个百分点。62% 相似待验证四个检测器中仅一个被污染时，未经验证的LLM调查员朴素准确率降至0.50-0.72；三个被污染时，准确率跌至0.13或以下。62% 相似待验证若一道难题在采样中全部失败（pass@k约为0），奖励方差为零，梯度信号几乎消失，参数更新量趋近于零62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130538API
curl https://kongchang.com/api/v1/knowledge/claims/1130538MCP
get_claim(id=1130538)