累计奖励可能使较长轨迹获得更高得分，即使它的任务效率更低。如何识别并处理这种长度偏置？

识别：统计成功轨迹的回报-长度相关性，若更慢、动作更冗余的长轨迹反而得分更高，或策略表现出「拖时间刷正向过程分」的行为，就存在长度偏置。处理按任务语义选：1）折扣 γ<1 让晚到的奖励贬值，长轨迹的边际奖励自然缩水；2）每步加小的负奖励（时间惩罚）鼓励尽快完成；3）把指标改成效率归一化形式（成功率/单位时间、单位长度奖励）；4）势函数塑形以任务进度为 Φ 时保证终态 Φ 与路径无关，避免绕路累计高分。注意反向风险：γ 过小或时间惩罚过重会诱发短视与「提前放弃」（宁可拿零回报也不愿承受后续惩罚），参数要匹配任务时标。

追问常落在：γ 的选择与任务时长/控制频率的关系——有效视野$1/(1-\gamma )$应覆盖完成任务所需步数；时间惩罚与稀疏终局奖励组合时的自杀式提前终止反例；以及折扣与平均奖励两种准则的差异。能主动给出这些边界反例，说明真懂长度偏置的权衡而不是背结论。