待验证50% 置信概念精确时间

预训练改变模型的知识底座，RL 改变模型的行为策略；前者效果更根本但代价高昂，后者见效快但可能受限于基座的知识边界。

1

来源数

50%

置信度

长期有效

时效性

2026/10/14

首次发现

来源

三周强化学习让Cursor Composer 2.5实现帕累托最优

涉及实体

预训练concept 强化学习concept

相关事实

已验证RL阶段每一步训练需要同时运行推理（生成rollout）和反向传播（更新权重），因此算力需求远高于普通微调77% 相似待验证模型化强化学习（Model-based RL）通过学习环境的动态模型来提升样本效率，减少对真实交互的依赖76% 相似待验证提示词与模型版本存在深度绑定关系，不同版本模型在RLHF训练数据、指令微调策略上的差异会导致相同提示词产生不同输出，这种现象被称为「提示词漂移」74% 相似待验证决策模型在固定数据分布上训练，当业务数据特征分布发生变化（分布漂移）时性能可能迅速下降，而通用大语言模型对新概念的泛化能力通常更强74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1024848

API

curl https://kongchang.com/api/v1/knowledge/claims/1024848

MCP

get_claim(id=1024848)