待验证50% 置信事实精确时间

NGU算法将外部奖励与两种内在奖励叠加：基于情节内新奇度的短期奖励和基于生命周期新奇度的长期奖励

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

强化学习训练LLM：用"永不放弃"策略攻克难题

涉及实体

Never Give Up (NGU)concept DeepMindcompany

相关事实

待验证贝尔曼方程将长期回报分解为即时奖励加上未来折扣回报的递归关系70% 相似待验证模型在PPO优化中通过增加输出长度获取更高奖励的现象被称为reward hacking（奖励攻击）70% 相似待验证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70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/924066

API

curl https://kongchang.com/api/v1/knowledge/claims/924066

MCP

get_claim(id=924066)