待验证50% 置信事实精确时间
SeTPO全称为Selective Teacher-guided Policy Optimization（选择性教师引导策略优化），是一种用于小语言模型工具学习的方法。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证决策模型通常基于强化学习或基于偏好的优化方法，直接以在环境中选取最优动作为优化目标，而 LLM 以语言预测为核心任务，决策能力是涌现的副产品67% 相似待验证前向KL倾向于让学生策略覆盖教师策略的所有模式，学得全但可能不够精准；反向KL倾向于让学生策略集中在教师策略的高概率区域，学得精但可能遗漏某些模式。66% 相似待验证在线策略蒸馏（OPD）让学生模型自己生成轨迹，再由教师模型在这些轨迹上提供监督信号64% 相似待验证Proximal Policy Optimization（PPO）是机器人强化学习的主力策略梯度算法工具64% 相似待验证教师强制引入了暴露偏差问题：训练时输入真实目标词，推理时输入模型自己预测的词，预测出错会在后续步骤累积放大63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1023679API
curl https://kongchang.com/api/v1/knowledge/claims/1023679MCP
get_claim(id=1023679)