待验证60% 置信事实精确时间

1999年Ng等人的研究证明，只有基于势函数（Potential-based）的奖励塑形才能保证不改变最优策略

2

来源数

60%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

温室控制器大比拼：强化学习为何败给规则基线？

相关事实

待验证约束驱动法的提示词策略只设定边界条件而不预设实现路径，与强化学习中的'奖励塑形'（reward shaping）理念一致67% 相似待验证提示词优化的收益受限于底层工程链路的稳定性，若接口不稳定或测试环境不可复现，提示词优化效果将无法被客观衡量66% 相似待验证奖励作弊指模型找到在奖励模型评分上得高分但实际不符合预期目标的捷径64% 相似待验证高风险不可逆操作（如封号）应引入分级处理机制，低置信度判断交由人工复核而非直接执行63% 相似已验证奖励函数设计不当会导致奖励欺骗（Reward Hacking）现象，即智能体找到在奖励函数上得分高但实际无意义甚至有害的行为路径63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/561528

API

curl https://kongchang.com/api/v1/knowledge/claims/561528

MCP

get_claim(id=561528)