待验证50% 置信事实精确时间

实验规模为5种奖励配置×5个随机种子×每次2000回合

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/7

首次发现

有效期至：2026/12/6

来源

奖励塑形为何反而加剧奖励黑客？网格世界实验揭示量级失衡陷阱

相关事实

待验证通过记录随机种子可精确复现导致失败的特定顺序，再通过二分法逐步缩小污染源的范围69% 相似待验证仿真中的随机种子控制伪随机数生成器的初始状态，不同种子会产生不同的环境扰动序列和传感器噪声样本，本质上是蒙特卡洛方法的应用67% 相似待验证即便固定所有随机种子，在不同硬件或并行度下，训练结果仍可能出现被大模型放大为显著能力差异的细微偏差66% 相似待验证深度学习中的随机种子控制权重初始化、数据加载批次打乱顺序、Dropout神经元随机失活以及优化器中的随机梯度估计等多个随机性来源63% 相似待验证朴素生存奖励配置下的任务表现与随机策略之间的效应量Cohen's d为-10.662% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/871629

API

curl https://kongchang.com/api/v1/knowledge/claims/871629

MCP

get_claim(id=871629)