Reward hacking 摧毁训练，小剂量却无害于评测
JoshPurtell · x · 2026-11-02
Josh Purtell 讨论训练数据与评测数据在要求上的根本冲突。他以 reward hacking 为例：一些正经基准因少数任务存在轻微 reward hack 被斥为“有缺陷”，但按他的经验，这在训练中是毁灭性的，在评测中小剂量出现却基本无碍。
他还指出，优化压力会对训练数据产生一系列评测数据不需要的额外要求——评测数据免于这些要求并不等于可以偷懒，而是需要在其他方面下更多功夫。
所属事件:前评测开发者系统阐述训练数据与评测数据不能混用(17 条相关)→
「研究」频道最新
- HalachaBench 引发争论：用塔木德律法考模型是知识还是推理？ — teortaxesTex · 2026-11-02
- Sebastian Raschka 免费放出 11 小时推理模型从零构建视频课 — AxSaucedo · 2026-11-02
- 微软与伯克利开源 TokenEconomizer，让编码 Agent 省 18-31% Token 成本 — victor_explore · 2026-11-02
- TLA-Verus:用 LLM 智能体自动证明 TLA+ 规约的时序性质 — tianyin_xu · 2026-11-02
- 有人指出 J-Lens 本质只是一阶泰勒展开,质疑官方博客为何不提 — burny_tech · 2026-11-02
- Mollick:ARC-AGI 等大基准已饱和,SemiAnalysis 专家级评测路子对了 — emollick · 2026-11-02