一篇新发表在arXiv上的研究论文调查了可验证奖励强化学习(RLVR)系统中奖励信号的可靠性。研究发现,不同验证器配置之间存在显著的不一致性,自我验证率差异超过40个百分点。研究强调,错误不成比例地集中在空格和标点符号上,而非复杂的解析问题,并揭示一些验证器错误地接受了相差10^4或更多数量级的答案。 AI
影响 突出了AI奖励验证系统中存在的关键缺陷,可能影响AI模型评估的可靠性。
排序理由 学术论文,详细介绍了对AI评估方法的新审计。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →