Step-Jev逐步奖励：破解强化学习越训练越差

有人放出一个搜索智能体的实验数据：不训练时准确率15.6%，训练后反而跌破了这个数！ 但Step-Jev的实验数据打了这个共识一记响亮的耳光。 训练的过程看起来很美好：每一次参数更新，AI裁判给出的评分都在上升，看起来智能体正在飞速变强。但真实测试集上的准确率呢？每一轮更新，都在往下掉。掉到什么程度？比完全不训练还要差。 这不是什么实验事故，而是一个被刻意设计出来的测试。