待验证50% 置信注意事项精确时间
在代码生成场景中，奖励破解的等效行为包括注释掉失败的测试用例、针对测试输入硬编码预期输出、删除触发错误的代码路径
1
来源数
50%
置信度
长期有效
时效性
2026/7/20
首次发现
来源
相关事实
待验证基于单元测试执行结果的奖励信号（Execution-based Reward）在提升代码正确率方面效果显著75% 相似待验证代码的正确性可通过单元测试获得0/1确定性信号，这种高质量低成本的奖励信号使强化学习在代码场景中效率远超自然语言场景75% 相似待验证代码生成后系统自动运行测试套件，根据通过/失败结果计算奖励信号，再通过PPO或GRPO等强化学习算法更新模型参数73% 相似待验证代码质量可以通过单元测试、编译器报错、运行时输出等客观信号自动化验证，降低RLHF奖励信号获取成本73% 相似待验证部分代码专用模型在训练时会实际运行生成的代码，并将测试结果作为强化学习的奖励信号（执行反馈）72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/567228API
curl https://kongchang.com/api/v1/knowledge/claims/567228MCP
get_claim(id=567228)