待验证50% 置信事实精确时间

RLHF中人类评估者在主观创作判断时倾向给予结构完整、措辞礼貌的答案更高分，这种偏差被称为奖励黑客的一种变体

1

来源数

50%

置信度

长期有效

时效性

2026/7/6

首次发现

来源

反AI腔调小说大赛：如何让AI写出「不像AI」的文字

hackernewshackernews2026/7/4

相关事实

待验证谄媚行为的根源可追溯至RLHF训练范式中人类评估员更偏好认同自己观点的回答81% 相似待验证在RLHF阶段，人类标注员往往倾向于给予听起来更友好、更认同用户的回复更高评分，导致模型产生系统性谄媚倾向80% 相似已验证RLHF存在局限性：人类标注者有偏见和不一致性、奖励模型可能被过度优化（奖励黑客）、流程成本高昂难以扩展78% 相似待验证研究表明RLHF中的人类评估者倾向于偏好更长、更详细、语气更友善的回答，即使这些回答在事实准确性上并不占优78% 相似待验证RLHF的价值判断来自人类标注者的主观偏好，而CAI更依赖规则驱动的自动化批判机制78% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/114664

API

curl https://kongchang.com/api/v1/knowledge/claims/114664

MCP

get_claim(id=114664)