术语表

RL 环境与任务数据采购的常用术语，每条附它在 DataMining 交付里的体现。

RLVR（可验证奖励的强化学习）

奖励来自程序化检查器而非学习出来的裁判的 RL。我们的代码与智能体环境全部兼容 RLVR：评分器是确定性代码，奖励通道不受模型影响。

F2P / P2P 测试

Fail-to-Pass 测试在正确补丁前必须失败、之后必须通过；Pass-to-Pass 测试必须始终保持通过，防止修一处坏一片。两套测试作为私有隐藏测试按任务版本交付。

pass@k

k 次尝试中至少一次正确的概率。我们按声明预算报告每题解出次数（如 GPT-5.6 Sol xhigh、4 次有效尝试），而不是给一个没有口径的 pass@k，方便买方核对。

Reward hacking（奖励作弊）

智能体钻评分器空子——删测试、硬编码输出——而不是解题。我们环境的对策：测试只读挂载、校验和、网络白名单、确定性评分。对策清单见 GitHub 的 agent-environment checklist。

Verifier（评分器/验证器）

判定一次任务尝试是否通过的程序。我们的评分器确定性、本地可运行、随任务交付；买方无法复跑的评分器不会出库。

Trajectory（轨迹）

一次智能体尝试的完整「行动—观察—修正」日志。交付包含成功与失败轨迹并如实标注——失败才是 RL 里梯度信号的来源。

Golden patch（参考补丁）

参考解的 diff，与模型可见包分开存放，绝不随任务公开。

数据污染（Contamination）

任务进入模型预训练或后训练数据导致分数虚高。对策：原创命题、跨模型族探针、条目版本化与退役机制。

交付场景里的术语问题：contact@datamining.cloud · RL 环境交付总览