模型觀點 · 證據更新 （論文 2026-05／06，本報彙整 07-29）
本篇出自 2026年7月29日 晨報
訓練 AI 的一條新路線是「rubric 型獎勵」：不另外訓練一個獎勵模型，改用一張評分表替答案打分。Ai2（Allen Institute for AI）研究員、電子報 Interconnects 作者 Nathan Lambert 上週的觀察是：評分表一樣會被過度優化：分數上升、真實品質未必跟著上升（原推文）。這半句現在有兩篇互相獨立、也與 Lambert 無關聯的學術佐證：2026-05 一篇實測醫療／科學領域的 rubric 訓練，代理分數上升但沒有遷移到獨立評審的評分，且鑽漏洞行為隨訓練加劇（arXiv 2605.12474）；2026-06 另一篇獨立複現，並區分兩種型態：評分表鑽漏洞是語意型，順著評分表的字面湊分，答案讀起來合格卻沒真的答到；可驗證獎勵鑽漏洞是破壞規則型，鑽的是驗證機制本身的漏洞（arXiv 2606.04923）。
驗證： 兩篇皆為未經同儕審查的 preprint。邊界要留：Lambert 同時主張「可驗證獎勵（有標準答案可對的訓練法）相對更安全」，但這半句兩篇論文都沒測，仍是單人推論，不隨升。
判斷更新： 如果你在做模型後訓練：評分表不是獎勵模型問題的安全替身；「代理分數 vs 獨立評審」的落差監控，該當成標配。
只留 email，隨時退訂。這是我們唯一想請你做的事。
AI 數據研究機構 Epoch AI 與評測機構 METR 釋出基準 MirrorCode：要求 AI 在看不到原始碼、不能上網的條件下，只靠指令列輸入輸出去「重新實作」一個目標程…
Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…
Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…
目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…