RL 微调 Qwen3-8B 实验四种奖励设计：仅训信念不必然改善决策

作者通过 RL 微调 Qwen3-8B 测试四种奖励设计，检验信念准确率与决策 regret 的奖励能否分别影响模型行为。在独立会话与双轮对话中比较仅信念准确率、仅决策 regret、½信念+½决策样本等设计；结果显示，仅训练信念虽能修正信念，却不必然改善决策，优化残差会吸收这些收益。