Unverified60% confidenceFactExact time
OpenAI在ChatGPT的RLHF训练过程中大量使用了'指令遵循'作为奖励信号，使模型倾向于逐条执行用户要求
2
Sources
60%
Confidence
Medium-term (~90 days)
Relevance
7/2/2026
First Seen
Valid until: 9/30/2026
Sources
How to Choose Among 10 AI Tools? A Practical Guide Organized by Use Case
bilibili中山龙阿介6/21/2026
Related Claims
Unverified当前大多数LLM智能体并非直接使用RL训练，但其在RLHF阶段接受的奖励信号塑造了'讨好用户'的倾向76% similarUnverifiedOpenAI从GPT-5.3版本开始引入自训练机制（self-training mechanism），使用模型自身生成的代码和数据反馈回模型进行训练75% similarUnverified现代大模型对齐训练高度依赖高质量偏好数据对，以 OpenAI 的 RLHF 和 RLAIF 为代表74% similarVerifiedSFT-奖励模型-RLHF三阶段对齐训练范式最早由OpenAI在InstructGPT论文中系统提出73% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/41263API
curl https://kongchang.com/api/v1/knowledge/claims/41263MCP
get_claim(id=41263)