待验证50% 置信基准精确时间

朴素生存奖励配置下的任务表现与随机策略之间的效应量Cohen's d为-10.6

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/7

首次发现

有效期至：2026/12/6

来源

奖励塑形为何反而加剧奖励黑客？网格世界实验揭示量级失衡陷阱

相关事实

待验证研究者提出长度归一化奖励方法，即在计算奖励分数时除以回答长度，使模型无法通过单纯增加长度获取更高奖励64% 相似待验证由于LLM输出具有随机性且Agent会将上一轮失败结果并入下一轮上下文，基于哈希比对的传统去重机制在Agent场景下完全失效64% 相似待验证ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.163% 相似待验证聚合指标（如多任务平均分）天然具有稀释失败的能力，当较简单任务占多数时平均分可以掩盖模型在少数高难度任务上的显著退化62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/870229

API

curl https://kongchang.com/api/v1/knowledge/claims/870229

MCP

get_claim(id=870229)