arXiv · ML· Michael Li, Rohan Pandey, Ray Chen·· 9 天前AI 评分30
跨提示词参数共享如何同时抑制和放大 RLVR 中的 reward hacking
Wrong the Same Way: Cross-Prompt Sharing Both Suppresses and Amplifies Reward Hacking in RLVR
AI 导读
研究指出,在强化学习 with verifiable rewards (RLVR) 中,跨提示词的参数共享导致 reward hacking 既被抑制也被放大。
来源:arXiv · ML · arxiv.org