Models are typically rewarded solely for correct outcomes, not penalized for incorrect reasoning, enabling them to achieve accuracy through flawed logic.
全文传播度最高的一段，恰是证据最薄的一段。
这是「为什么 o3 会幻觉」的机制解释，被转载最多。但它在文中的全部支撑是一个类比——模型可能在不理解规则的情况下赢下一局棋。
没有消融实验、没有实验室数据、没有第三方研究引用。它是一个看起来很有解释力的假说，与本文那些有一手文档可核的部分（如 Claude 3.7 系统卡对照）不是同一等级。
读者极易把两者混为一谈——这正是本条标注的理由。
In the Claude 4 release, Anthropic significantly reduced reward hacking by improving environments, clarifying reward signals, and implementing proactive monitoring.
结果属实，因果无来源。
「显著减少」有系统卡数据支撑（hard-coding 行为下降约 67%/69%）。但把它归因于「改进环境、澄清奖励信号、主动监控」这三项——本文没有给出任何来源。
系统卡本身还记载了一条本文未提的机制：简单提示词即可大幅抑制 Claude 4 的该行为，而对 3.7 往往无效。这条指向的是模型自身的可引导性，不是环境工程。
as leading providers are now doing
待核验。 声称前沿厂商已在采纳「按预算报告能力曲线」的做法，未给任何引证。
可查的反证：Anthropic 自家《Demystifying evals for AI agents》把 n_total_tokens 与延迟并列为 tracked_metric——当成本指标用，全文未主张扫预算或报曲线。至少这一家不符合。