从RLHF到RLMF：让市场付费成为AI的奖励信号

curious_vii · x · 2026-07-17

作者提出了一个演进路径：当LLM-as-judge循环被压缩到产品界面后，下一步是从RLHF（人类反馈强化学习）走向RLMF（市场反馈强化学习）。核心思想是"测试驱动开发，但测试标准是是否有人愿意为你付费"——用真实的BTC/市场支付作为DPO的奖励信号。