reward model相关技术

Reward Hacking 模型通过利用奖励系统的设计缺陷或漏洞，采取非预期的行为来获取高额奖励，而不是真正实现设计者期望的目标

字节token https://mp.weixin.qq.com/s/lsCshrnmtO-bYaszLFBSNw

DeepSeek训练图解：https://zhuanlan.zhihu.com/p/22037101139