Chollet：以外部市场做奖励信号，智能体评估的新思路

ARC 基准作者、Google 研究员 François Chollet 近日在 X 上分享了他观察到的一种智能体（agent）评估思路：用真实的经济交互作为奖励信号，而不是依赖静态基准或内部生成的奖励模型。他评价这一概念「非常有趣」，但同时指出该方向并未公开的具体实现细节仍待披露。

核心思路：用外部市场替代静态奖励

Chollet 提到，传统智能体训练通常围绕两类奖励来源组织：其一是静态基准（benchmarks），其二是由系统自身生成的奖励模型（reward models）。他观察到的新做法则把「外部市场」引入奖励信号，让智能体的表现由真实经济交互中的反馈来评定。

在他看来，这一设计从根上改变了优化的目标函数：智能体不再只针对已有的固定任务或内部偏好进行调优，而是在持续变化的外部反馈中接受评估。

对奖励黑客问题的态度

Chollet 也提醒，新的奖励来源并不等于消除奖励黑客（reward hacking）。他强调，把学习过程「锚定」在系统之外生成的反馈上，虽然不能根除被钻空子的风险，但相比纯内部的奖励回路，至少增加了一层外部校验。

仍待验证的开放性问题

对于「这种基于真实经济交互的评估能否长期训练出更强的智能体」，Chollet 称之为「一个值得验证的假说（interesting hypothesis）」，并未给出定论。由于他本人这次只看到概念层面的描述，原文未关联到具体的论文、系统名称或可复现的实验结果，这一方向目前仍停留在思路讨论阶段。