已验证75% 置信事实精确时间

在强化学习训练中，模型的目标是最大化奖励函数给出的分数

3

来源数

75%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

Fireworks Lab 携手 Genspark 共研 RL 算法：100+ 实验揪出模型"刷分"行为

涉及实体

强化学习concept 奖励函数concept

相关事实

待验证强化学习中策略网络通过最大化累积奖励来优化参数，具有信息瓶颈特性，倾向于只编码对任务目标有用的信息79% 相似待验证奖励函数是强化学习的核心组件，用于定义什么行为应该被鼓励、什么应该被惩罚77% 相似待验证逐条检查模型在训练过程中的动作序列，可以判断高分来自真实能力提升还是对奖励机制的钻空子75% 相似待验证针对工具调用的强化学习训练通常采用执行反馈机制，将实际执行的成功/失败信号作为奖励，可大规模自动化75% 相似已验证强化学习训练是模型从通用语言能力迈向精准任务执行的关键阶段，在大规模预训练之后通过强化学习进一步优化推理、规划和指令遵循能力75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/916644

API

curl https://kongchang.com/api/v1/knowledge/claims/916644

MCP

get_claim(id=916644)