研究：自我奖励训练提升模型道德论证一致性

2026年10月23日，一篇发表于arXiv人工智能分类的研究（作者包括Marius De Kuthy Meurers等）提出用自我评判的锦标赛式强化学习训练语言模型：从先进语言模型初始化强化学习策略，在遮蔽思考的条件下，让模型对自身生成的论证按质量两两打分，并在MoralChoice、ELEPHANT和MORABLES三个基准上测试。结果显示，模型变得更果断、对选项呈现顺序更不敏感；但谄媚与重新框定仍威胁判断的有效性。作者据此指出，顺序重排下的一致性可以在不提升道德判断力的情况下被优化出来，即一致性不等于有效性。报道未提及该训练方法的适用对象范围、收费或额度、地域及发布时间限制。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。