待验证50% 置信观点精确时间

GRPO这类答案级优势分配算法并非万能，当答案内部各句质量差异较大时均匀分配优势值会稀释信号，甚至强化错误行为。

1

来源数

50%

置信度

长期有效

时效性

2026/10/14

首次发现

来源

复制不等于落地：ASC 破解长文 RAG 的忠实度奖励漏洞

涉及实体

相关事实

待验证GRPO通过对同一输入生成一组候选输出，以组内相对奖励而非绝对奖励信号来更新模型，降低了对独立价值网络（critic）的依赖77% 相似待验证GRPO相比传统PPO算法的关键创新在于通过对同一问题采样多个输出计算组内相对得分替代独立的价值网络，降低显存占用76% 相似待验证GRPO的核心创新在于完全去掉了价值网络，通过对同一问题采样多个回答形成一个组，用组内回报的均值作为基准71% 相似待验证对使用RAG的系统，检索质量和答案质量应分开监控，因为糟糕的答案可能源于检索差而非生成能力弱67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1023702

API

curl https://kongchang.com/api/v1/knowledge/claims/1023702

MCP

get_claim(id=1023702)