待验证50% 置信事实精确时间
AnchorDLM 的锚点生成器使用强化学习训练，奖励信号来自 DLM 生成输出的答案正确性与约束满足程度。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/14
首次发现
有效期至：2027/1/12
来源
涉及实体
相关事实
待验证针对工具调用的强化学习训练通常采用执行反馈机制，将实际执行的成功/失败信号作为奖励，可大规模自动化75% 相似已验证在强化学习训练中，模型的目标是最大化奖励函数给出的分数74% 相似待验证AlphaProof采用强化学习结合Lean形式化环境的训练方式,由Lean内核提供即时正确/错误反馈作为奖励信号71% 相似待验证强化学习中策略网络通过最大化累积奖励来优化参数，具有信息瓶颈特性，倾向于只编码对任务目标有用的信息71% 相似已验证RLVR是基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards），通过设计可验证的奖励信号引导模型优化70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029504API
curl https://kongchang.com/api/v1/knowledge/claims/1029504MCP
get_claim(id=1029504)