待验证50% 置信事实精确时间
NGU算法将外部奖励与两种内在奖励叠加：基于情节内新奇度的短期奖励和基于生命周期新奇度的长期奖励
1
来源数
50%
置信度
长期有效
时效性
2026/9/15
首次发现
来源
涉及实体
相关事实
待验证贝尔曼方程将长期回报分解为即时奖励加上未来折扣回报的递归关系70% 相似待验证将盲盒用作行为奖励时的标准路径：设定明确的可量化目标（如集满5个印章）→ 达成后当场拆盒即时反馈 → 惊喜的随机性维持长期动力，避免每次达标都给同款可预测奖品70% 相似待验证模型在PPO优化中通过增加输出长度获取更高奖励的现象被称为reward hacking（奖励攻击）70% 相似待验证奖励工程本质上是一个高度迭代的过程：设计奖励、观察行为、发现漏洞、修正奖励，反复进行70% 相似待验证建立奖励系统的标准路径：设定明确行为目标→贴纸/印章积分→积满兑换实物小玩具→阶梯式奖励（小奖日常兑，大奖周/月兑），实物奖励只在积分制底层作为兑换物，避免直接给玩具69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/924066API
curl https://kongchang.com/api/v1/knowledge/claims/924066MCP
get_claim(id=924066)