Holdout Best-of-N：无偏评估及其代价

研究指出，复用挑选 Best-of-N 获胜者的分数会高估其期望奖励。作者证明，仅基于每个候选 K 个独立分数矩阵的单一估计量，当且仅当 J<K 时对期望评判奖励完全无偏，适用于任意池大小 M≥N≥2。在 J=K-1 时，选择器随 K 增大而加深。