arXiv · cs.AI· Afonso Baldo, Ant\'onio Farinhas, Marcos Treviso, Ricardo Rei, Nuno M. Guerreiro·· 2 天前
Dynalize以动态惩罚缓解语言模型偏好奖励中的奖励投机
Mitigating Reward Hacking in Preference Reward Models with Evolving Penalties
arXiv:2610.26496v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Afonso Baldo, Ant\'onio Farinhas, Marcos Treviso, Ricardo Rei, Nuno M. Guerreiro
研究任务与主要进展
研究提出Dynalize，在策略训练期间异步分析模型输出并生成针对奖励投机行为的动态惩罚，由评审器应用于每次训练输出。摘要称，在临床咨询和创意写作任务中，仅训练偏好奖励模型会持续提高模型分数却最终降低外部基准表现，而Dynalize可维持更长时间训练并改善下游性能。其效果还被作者报告适用于多轮训练，以及用已发现的投机行为重新训练奖励模型之后。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org