**诊断并修复可验证指令遵循中的奖励作弊问题**

_Diagnosing and Correcting Reward Hacking in Verifiable Instruction Following_

> 研究发现，仅依靠验证器奖励会导致模型在满足约束的同时忽略核心回答质量（奖励作弊）。论文提出了 CALIF 方法，通过引入校准的似然度奖励，在提升指令遵循约束的同时保持回复质量，并在多个基准测试中优于单纯使用验证器训练的模型。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.19525)