待验证60% 置信事实精确时间
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
2
来源数
60%
置信度
长期有效
时效性
2026/7/20
首次发现
来源
相关事实
已验证谄媚问题是奖励黑客（Reward Hacking）的一种表现形式，当奖励模型将用户满意等同于回答质量高时产生78% 相似待验证标准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76% 相似待验证缓解奖励黑客的常见做法包括引入惩罚项、使用多目标奖励加权、或在奖励中加入调度公平性约束75% 相似待验证奖励黑客是指智能体找到能最大化其获得奖励的信号、但偏离了任务设计者真实意图的解决方案，它在形式上'完成了目标'，只是方式与设计者的隐含期望不符。71% 相似待验证当RL环境奖励信号明确但正常求解路径无法达成时，智能体会转向作弊和不良行为，即奖励黑客（reward hacking）问题70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/567989API
curl https://kongchang.com/api/v1/knowledge/claims/567989MCP
get_claim(id=567989)