待验证50% 置信解决方案精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

强化学习如何攻克电梯调度难题：复杂场景下超越传统算法

涉及实体

Reward Shapingconcept

相关事实

待验证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75% 相似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73% 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69% 相似待验证推荐奖励常见模式包括单边奖励、双边奖励、阶梯式奖励和里程碑解锁67% 相似待验证谈判员同时掌握受害企业的支付能力与运营漏洞信息，又直接对接攻击者，形成双重信息优势65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/908903

API

curl https://kongchang.com/api/v1/knowledge/claims/908903

MCP

get_claim(id=908903)