提出了一种诊断基于评分标准的强化学习中奖励破解现象的框架,通过引入跨家族裁判面板和自内化差距指标,揭示了弱验证器导致的代理奖励虚增及强验证器无法完全消除因评分标准设计缺陷引发的奖励破解问题。
机构:Scale AI
来源:arXiv 2605.12474 | AI4Papers 论文推荐平台