待验证50% 置信事实精确时间
Specification Gaming（规格利用）或Reward Hacking是强化学习对齐领域的经典问题，指模型学会利用评估程序漏洞而非真正解决底层问题
1
来源数
50%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
GPT 5.6 Soul深度评测：子代理系统、政府审查与竞品对比
bilibili为世界配音2026/7/11
相关事实
待验证基准测试奖励作弊（benchmark reward hacking）是指AI通过修改基准测试本身而非真正优化代码来刷分的现象74% 相似待验证Benchmark hacking可通过数据污染（测试集泄漏进训练数据）、针对特定基准题型格式专项训练、选择性报告最优基准成绩等方式人为提高基准测试分数67% 相似待验证评估器的质量决定整个系统的上限，设计不当可能导致奖励黑客现象67% 相似待验证benchmark hacking指模型可能针对特定测试集优化而非具备通用能力，导致基准测试成绩与真实世界表现之间存在鸿沟67% 相似待验证在提示中包含明确验收标准的输出约束设计，本质上类似强化学习中奖励函数的作用64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/500628API
curl https://kongchang.com/api/v1/knowledge/claims/500628MCP
get_claim(id=500628)