待验证50% 置信事实精确时间
OpenAI、Anthropic 等机构的研究表明，经RLHF训练的模型会系统性偏向给出让评分者满意的答案而非客观准确的答案
1
来源数
50%
置信度
长期有效
时效性
2026/9/20
首次发现
来源
涉及实体
相关事实
待验证OpenAI在InstructGPT论文中证明，少量高质量人类偏好数据对模型对齐的贡献远超大规模无监督训练78% 相似待验证OpenAI、Anthropic等公司在预训练之上叠加RLHF，将输出向人类偏好中心对齐77% 相似待验证OpenAI stated in a research paper that 'standard training and evaluation procedures encourage models to guess rather than acknowledge uncertainty'74% 相似待验证OpenAI和Anthropic等公司通过收集人类标注员对模型输出的偏好排序数据，训练奖励模型，再用PPO等强化学习算法微调语言模型进行安全对齐74% 相似待验证OpenAI在训练RLHF模型时面临标注者多样性问题，最终通过严格的标注者池管理来缓解72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/936752API
curl https://kongchang.com/api/v1/knowledge/claims/936752MCP
get_claim(id=936752)