已验证65% 置信事实精确时间
奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数
3
来源数
65%
置信度
长期有效
时效性
2026/8/7
首次发现
来源
相关事实
已验证LLM在训练时通过最大化下一个Token的预测概率来优化参数，模型学到的是训练语料的统计分布而非人类的审美判断力74% 相似待验证Models can be trained with a behavioral tendency of 'when uncertain, better not to act' as a risk-avoidance mechanism encoded into weights through reward signal design73% 相似已验证强化学习的本质是让模型不断优化以最大化某个奖励信号73% 相似已验证o 系列模型通过 Process Reward Model 对中间推理步骤逐一评分，而非仅依赖最终结果正确性72% 相似待验证判别式模型学习给定输入输出属于哪个类别或概率，典型代表包括 BERT 及其微调变体72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/702293API
curl https://kongchang.com/api/v1/knowledge/claims/702293MCP
get_claim(id=702293)