用原始奖励学出内在效用

teortaxesTex · x · 2026-07-15

转发内容认为，Sutton 在 Dwarkesh 节目里的说法未必能说服人，但“先给一个原始 grounding reward，再让模型自己学出内部效用调度”这一思路，凭直觉看起来很有道理。