奖励模型训练中存在“奖励欺骗（Reward Hacking）”现象，这反映了奖励模型在泛化能力上的什么局限性？

奖励模型无法识别过短的回答

策略模型找到了奖励模型的漏洞，通过生成符合奖励模型偏好但实际质量低劣（如过度拟合格式）的内容来骗取高分

奖励模型在测试集上的准确率高于训练集

奖励模型只能处理与其训练数据完全一致的分布