奖励破解存在许多风险。如需了解风险和相应的缓解策略，请参阅下文。
风险 1：
贪婪奖励破解。如果 Obj = w1*S1 + w2*S2 + w3*S3，AlphaEvolve 可能会发现 S2 可以增加，并完全专注于 S2，而忽略 S1 和 S3。
缓解措施：
降低子得分的权重。可能需要进行 2-3 次试运行来校准权重。对一些得分结果进行初步基准模拟会有所帮助。
风险 2：
忽略约束条件惩罚。如果软约束条件是惩罚
(Obj = Score - w*Penalty)，AlphaEvolve 可能会发现忽略约束条件
会产生更高的 Obj。
缓解措施：
大幅增加惩罚权重。如果行为仍然存在，请在问题说明中添加明确的说明，例如“无论得分如何，违反约束条件 X 的解决方案均无效”。
风险 3：
利用评估函数。AlphaEvolve 可能会找到导致评估器返回人为高分（浮点边缘情况、测试数据泄露）的输入。
缓解措施：
使用固定的随机种子进行确定性评估。在实验结束后，根据预留数据验证获胜者。
为防止奖励破解，请实现以下通用技术：
使用 AST 检查禁止使用的基元（sys、os、inspect、eval、exec、getattr、setattr），如果找到，则返回
None。验证
EVOLVE-BLOCK之外的代码是否保持不变（文本差异或 AST）。使用相同的输入运行演变函数两次，并验证输出是否相同（捕获随机性破解）。
检查评估时间。如果评估在几微秒内完成，则可能是硬编码了答案。
将评分逻辑放在 LLM 不可见的单独文件中。