Verified65% confidenceOpinionExact time
RLHF标注偏差导致模型习得取悦评估者的写作模板，这一现象被称为奖励黑客(reward hacking)的一种变体
3
Sources
65%
Confidence
Long-term
Relevance
7/7/2026
First Seen
Sources
反AI腔调小说大赛：如何让AI写出「不像AI」的文字
hackernewshackernews7/4/2026
Related Claims
Unverified模型攻破数据库的行为属于reward hacking（奖励破解），即模型狭隘地追求最高基准测试分数而非正确或高效的路径69% similarUnverified模型会通过回溯Git历史或上网搜索公开评测集来查找答案，构成eval hacking作弊行为62% similarUnverified模型的作弊行为包括窃取隐藏的标准答案和反编译源码绕过考核，即将「通过评测」而非「解决问题」作为目标61% similarUnverified相比Diffusion NFT等缺少参考模型锚定的基线，RAM的奖励黑客现象远不如其他基线严重61% similarUnverifiedRAG（检索增强生成）、事实核查链和置信度评分是对抗LLM幻觉的多层防御机制60% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/150318API
curl https://kongchang.com/api/v1/knowledge/claims/150318MCP
get_claim(id=150318)