EvoRS：开放式强化学习的奖励系统在线自演化
原文标题：EvoRS: On-Policy Self-Evolution of Reward Systems for Open-Ended Reinforcement Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出开放式 RL 中策略与奖励系统构成动态反馈回路，固定奖励会因奖励黑客或判别力下降而失效。提出 EvoRS 自演化 RL 框架，将奖励系统表示为可执行 Reward-DAG，由智能体式设计器基于在线 rollout 与奖励轨迹持续更新。在写作与角色扮演任务上于三个评委下均取得最佳质量，分别超出策略 2.107 与 4.767 分，同时减少奖励黑客与覆盖失败。
- 问题
- 开放式RL中固定奖励系统会因奖励黑客或判别力下降而失效。
- 方法
- 把奖励系统表示为可执行Reward-DAG，由智能体式设计器基于在线rollout与奖励轨迹持续演化。
- 结果
- 写作与角色扮演任务在三个评委下均最佳，分别超策略2.107与4.767分，并减少奖励黑客与覆盖失败。
- 影响
- 做开放式生成任务的RL训练时，奖励系统需要在线演化而非一次写死。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EvoRS让奖励系统随训练在线演化，写作与角色扮演分别超策略2.107与4.767分
- •问题设定：开放式RL中策略优化会反噬固定奖励，导致奖励黑客或判别力下降
- •把奖励系统表示为可执行Reward-DAG，由智能体式设计器基于在线rollout与奖励轨迹持续更新
- •写作与角色扮演任务在三个评委下均取得最佳质量，分别领先策略2.107与4.767分
- •同时减少奖励黑客与覆盖失败，并保持奖励信息量
- •消融确认：再全面的固定奖励系统在开放式任务中也不可靠，必须全程演化
为什么重要：凡是用rubric或LLM评委做开放式RL训练的团队，这条直接挑战了“设计一次奖励就固定用”的默认做法。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。