分析训练指标并检测奖励作弊

分析任务的完整训练指标历史。它会检测可能预示奖励作弊的奖励突增，并在整个训练过程中计算汇总统计。把模型接纳到生产环境之前，可以用它审计 RL 任务。

方法与路径

GET /v1/jobs/:id/analysis

认证

把你的 PIN API 令牌或 JWT 放在 Authorization 头里。

Authorization: Bearer <token>

路径参数

string

required

任务 id（例如 jb_abc123def456）。

请求示例

curl -s "https://api.ariacompute.com/v1/jobs/jb_abc123def456/analysis" \
  -H "Authorization: Bearer $PIN_API_TOKEN"

响应

返回标准的 PIN 成功信封，包含分析结果。

integer

required

成功为 0，出错为非零值。

object

required

Show 分析对象

object

奖励统计。

Show 属性

number

所有步上的平均奖励。

number

奖励的标准差。

array

奖励突增的步号（>= 前 10 步基线的 2 倍）。

string

风险评估：ok 或 suspected_reward_hacking。

array

可读的证据字符串列表。

string

可读消息（成功时为空）。

响应示例

{
  "code": 0,
  "data": {
    "reward": {
      "mean": 0.7421,
      "std": 0.3124,
      "spike_steps": [1240, 1890]
    },
    "risk": "suspected_reward_hacking",
    "evidence": [
      "reward spiked multiple times (>=2x baseline)",
      "second-half reward mean is >50% above first-half"
    ]
  },
  "message": ""
}

检测逻辑

分析器在整个步历史上做这些检查：

奖励突增检测：前 10 步之后的每一步，只要奖励达到前 10 步均值的 2 倍，就标记为突增。
后半段比较：训练后半段的奖励均值比前半段高出 50% 以上时，追加一条证据。
风险标记：突增步达到两个及以上时标记为 suspected_reward_hacking，否则风险为 ok。
高方差警告：没有突增但标准差超过 0.3 时，追加一条人工复核建议。

不报告奖励的非 RL 任务（SFT、OPD）会跳过针对奖励的检查。

错误

Code	HTTP	含义
401	401	缺失或无效的 Bearer 令牌。
404	404	任务不存在或不属于你。
422	422	任务尚无指标（训练未开始或未上报）。
500	500	内部服务器错误。

PIN API

ROUTER API

AGENT API

MEMO API

分析训练指标并检测奖励作弊

方法与路径

认证

路径参数

请求示例

响应

响应示例

检测逻辑

错误

​方法与路径

​认证

​路径参数

​请求示例

​响应

​响应示例

​检测逻辑

​错误

方法与路径

认证

路径参数

请求示例

响应

响应示例

检测逻辑

错误