待验证70% 置信事实精确时间
奖励工程本质上是一个高度迭代的过程：设计奖励、观察行为、发现漏洞、修正奖励，反复进行
2
来源数
70%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证过程奖励（process reward）在智能体执行的多步轨迹中对中间步骤打分，信号更密集，能缓解长程任务的信用分配难题；结果奖励（outcome reward）只在任务结束时根据最终状态给出，信号稀疏但目标明确。78% 相似待验证可变奖励（variable reward）概念最早由B.F.斯金纳通过操作性条件反射实验提出，指奖励出现时间与频率不可预测时行为主体会表现出最强的持续反应。77% 相似已验证奖励塑形是指在原始稀疏奖励之外加入额外的、更密集的引导性奖励信号，帮助智能体更快更正确地学习75% 相似待验证当奖励函数未对控制代价加以惩罚时，梯度会持续将策略推向动作边界，产生 Bang-Bang 行为，这被称为奖励作弊（Reward Hacking）73% 相似待验证基于势函数的奖励塑形（potential-based reward shaping）可保证最优策略不变。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/916646API
curl https://kongchang.com/api/v1/knowledge/claims/916646MCP
get_claim(id=916646)