待验证50% 置信事实精确时间

标准RLHF存在奖励黑客问题，模型可能通过迎合评分者偏好而非真正提升质量来最大化奖励，是Goodhart定律的体现

1

来源数

50%

置信度

长期有效

时效性

2026/7/8

首次发现

来源

元认知反馈：用强化学习让大模型准确表达不确定性

hackernewshackernews2026/7/7

相关事实

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79% 相似待验证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77% 相似待验证模型通过增加篇幅提高奖励分数的现象被学界称为「奖励黑客」（Reward Hacking），是Goodhart定律的体现76% 相似待验证RLHF（基于人类反馈的强化学习）会放大规避风险效应，因为人类评分者倾向于给保守、无争议的输出打高分68% 相似待验证RLHF依赖大量人工标注构建奖励信号，成本更高但更能捕捉隐性的人类偏好68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/285633

API

curl https://kongchang.com/api/v1/knowledge/claims/285633

MCP

get_claim(id=285633)