待验证50% 置信权衡取舍精确时间
自我改进最大的风险来自奖励信号本身，若奖励定义不当Agent会优化评估指标而非真实目标（Goodhart's Law的强化学习版本）
1
来源数
50%
置信度
长期有效
时效性
2026/8/7
首次发现
来源
相关事实
待验证激励功能有效性因人而异：站立提醒、久坐提醒、目标达成勋章对自律性弱者效果有限，社交排行榜（好友PK）对有竞争心理的用户激励更持久，选购时匹配自身性格74% 相似待验证奖励塑形（Reward Shaping）通过设计中间奖励引导学习方向，如将对Boss造成每点伤害设为中间奖励74% 相似待验证人类标注者在评估答案时存在信息越丰富越好的认知偏差，导致奖励模型将篇幅与质量隐性挂钩，是模型冗余的成因之一71% 相似待验证元认知反馈的奖励机制：对正确答案高置信度给予奖励，对错误答案高置信度给予惩罚，对不确定问题恰当表达犹豫也予以鼓励70% 相似待验证Alpha优势具有自我消亡属性，一旦被广泛发现和使用，套利行为会消除价差，导致因子随市场参与者增加而衰减70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/701165API
curl https://kongchang.com/api/v1/knowledge/claims/701165MCP
get_claim(id=701165)