待验证50% 置信决策规则精确时间

奖励塑形能否生效取决于它是否改变了样本间的相对优势，而非绝对奖励值

1

来源数

50%

置信度

长期有效

时效性

2026/9/28

首次发现

来源

RLCD 解析：用适当评分规则让 RL 奖励校准置信度

涉及实体

reward shapingconcept

相关事实

待验证自我改进最大的风险来自奖励信号本身，若奖励定义不当Agent会优化评估指标而非真实目标（Goodhart's Law的强化学习版本）79% 相似待验证研究表明，提供具体反馈性质的奖励比单纯的物质奖励对内在动机的损害更小78% 相似待验证奖励塑形（Reward Shaping）通过设计中间奖励引导学习方向，如将对Boss造成每点伤害设为中间奖励71% 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71% 相似待验证研究显示外在奖励可能挤出内在动机（过度辩护效应），导致用户停止获得外在奖励后放弃行为70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/956119

API

curl https://kongchang.com/api/v1/knowledge/claims/956119

MCP

get_claim(id=956119)