对话幽默模型训练中的奖励漏洞与对策研究

一项针对对话幽默大语言模型训练的研究揭示了自动化奖励机制中的漏洞利用与防御对策。测试显示基于 embedding 的意外度奖励易误判乱序词，而受众笑声预测模型易被对话中的笑声线索操纵。通过修正奖励机制，最终强化学习实验将综合评估得分提升 0.0903 并减少 40% 的零分会话，但幽默专项提升仍低于预注册目标。