待验证50% 置信事实精确时间

研究中测试的强化学习改动没有带来一致的增益，直接训练模型学会拒答效果不稳定

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

语言模型能学会何时拒答吗？策略学习与答案选择器实验

涉及实体

强化学习concept Qwen3-14Bmodel

相关事实

待验证该研究得出结论：在其实验设置下，学习式上下文规划只是一个微弱的相关性信号，而不是强检索的替代方案77% 相似待验证逆强化学习面临不适定性问题——同一组行为数据可能对应多个截然不同的奖励函数77% 相似待验证运行时改进的改进上限受限于基座模型的固有能力，模型无法通过运行时优化突破其预训练所获得的知识和推理能力边界77% 相似待验证蒸馏训练的教师模型输出极少包含自我纠错示例，导致学生模型形成「强模型不犯错」的隐性信念，在校验失败时选择重复而非修正76% 相似待验证阿里团队发现强化学习训练不会导致模型其他能力下降，反而会带来全面协同提升，与传统微调中的灾难性遗忘问题形成对比75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1002061

API

curl https://kongchang.com/api/v1/knowledge/claims/1002061

MCP

get_claim(id=1002061)