语言模型对话幽默奖励的漏洞与对策

对话幽默的自动化奖励存在漏洞：基于嵌入向量的“惊喜”奖励会把词序打乱的回复与机智回复同等接受。流畅度过滤器能识别打乱回复，但会误拒部分机智回复；受众模型的预测笑声易受双方笑声线索操纵，跨说话人归一化可挡住已覆盖攻击。三次强化学习实验中，最终一轮把综合评测分数提升 0.0903、零分会话减少 40%，但幽默专项提升仍低于预注册目标。