Prime Intellect 驻留者抛出难题:高价值知识工作没有可验证答案,RL 奖励怎么定?

xeophon · x · 2026-11-03

pattyiceberg(经 xeophon 转发)提出一个 RL 训练的核心难题：在高价值知识工作中，「没有任何东西是确定性或可验证的」。即使数学推导能对上、引用也能核实，如何判断一份专业/知识工作做得「对」仍无标准答案。他正在 Prime Intellect 驻留期研究这一问题——本质上是如何为无法自动验证的任务设计 RL 奖励信号，这是把强化学习扩展到更广职业工作领域的关键瓶颈。