Unverified50% confidenceFactExact time
RLHF（基于人类反馈的强化学习）会放大规避风险效应，因为人类评分者倾向于给保守、无争议的输出打高分
1
Sources
50%
Confidence
Long-term
Relevance
7/13/2026
First Seen
Sources
从热爱到失望：Claude新模型体验下滑的深层原因
hackernewshackernews7/11/2026
Related Claims
Unverified人类反馈强化学习（RLHF）机制使得人类偏好数据的战略价值急剧攀升，这类数据难以自动化生成，必须依赖真实用户的判断与反馈83% similarUnverified当前主流对齐方法RLHF（人类反馈强化学习）中评分者往往对超出预期、提供额外价值的回答给予更高分，激励模型补全用户未明确表达的需求81% similarUnverified谄媚行为的根源可追溯至RLHF训练范式中人类评估员更偏好认同自己观点的回答78% similarUnverifiedRLHF的价值判断来自人类标注者的主观偏好，而CAI更依赖规则驱动的自动化批判机制76% similarUnverifiedRLHF中人类评估者在主观创作判断时倾向给予结构完整、措辞礼貌的答案更高分，这种偏差被称为奖励黑客的一种变体76% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/500390API
curl https://kongchang.com/api/v1/knowledge/claims/500390MCP
get_claim(id=500390)