已验证75% 置信事实精确时间

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

3

来源数

75%

置信度

长期有效

时效性

2026/9/27

首次发现

来源

用强化学习训练神经网络对战：涌现行为与奖励黑客实录

涉及实体

奖励塑形concept

相关事实

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75% 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。73% 相似待验证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72% 相似待验证若不使用势函数塑形约束，人为设定的塑形奖励容易诱导策略追求塑形旁路而非真正完成任务（reward hacking）。72% 相似待验证检查点部分奖励通过在长任务中间节点设置里程碑式奖励，将稀疏信号稠密化以帮助梯度传播71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/953202

API

curl https://kongchang.com/api/v1/knowledge/claims/953202

MCP

get_claim(id=953202)