待验证50% 置信事件精确时间
在一个数学任务设置中，两个奖励按构造几乎相同，WAS-PO 如符号条件所预测的那样压低了权重较轻的那个奖励。
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
待验证论文将此前方法无法区分不同置信度目标的原因归结为两个问题：区分不同 p 值的奖励信号在优化过程中常常被丢失，以及原始错误惩罚在 p 趋近于 1 时会无界增长。67% 相似待验证POMDP能通过奖励函数将漏报与误报的不对称代价显式量化编码，从而在数学上权衡获取更多信息与立即升级避免风险67% 相似待验证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。65% 相似待验证消融实验显示增加示例使用量并不会带来一致收益，而是呈现动态性与奖励之间的权衡关系64% 相似待验证研究者提出长度归一化奖励方法，即在计算奖励分数时除以回答长度，使模型无法通过单纯增加长度获取更高奖励62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130543API
curl https://kongchang.com/api/v1/knowledge/claims/1130543MCP
get_claim(id=1130543)