Eat Your Precision: Mục tiêu độ chuẩn xác (Precision Objective) giúp giảm thiểu hiện tượng Reward Hacking trong RL dựa trên rubric

Đoạn trích bài viết

Phần thưởng dựa trên rubric cho phép học tăng cường (RL) hiệu quả đối với các tác vụ không thể kiểm chứng. Tuy nhiên, do những phần thưởng này thường được định nghĩa như một thước đo có trọng số về độ bao phủ rubric, các mô hình chủ yếu được huấn luyện để tối đa hóa mục tiêu độ thu hồi (recall).