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。基于每个候选 K 个独立分数的固定矩阵，仅当 J<K 时，单一估计量才能对期望评判奖励完全无偏；在 J=K-1 时，无偏 minimax 风险为 σ²/√K 量级，允许偏差则可提升至 σ²/K。对两个候选者，Holdout 无需已知方差即可达到 1/(π√2) 的渐近无偏 minimax 常数。