待验证50% 置信事件精确时间
在三次 DPO 尝试中，有一次训练过程中奖励边际（reward margin）达到 1.0，但自由生成时的输出完全没有变化。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证在训练中惩罚被自动机拒绝的token，在完成10%训练后开发集Smatch++可提升3.6至11.0分，但该优势随训练推进逐渐消失67% 相似待验证当边际奖励为正时，说明工具确实带来了增益，该题目为有价值的训练样本；当差异为零或负时，题目训练价值有限。66% 相似待验证SMD 的排斥机制不需要对抗训练中常见的判别器，也不需要在线 score 估计，只是对训练目标做了一项额外约束，训练开销几乎为零。66% 相似已验证DPO（直接偏好优化）等对齐算法在降低训练成本的同时提升了模型在开放式指令下的表现一致性64% 相似待验证单轮训练只带来适度的整体校准提升，且在早期前缀阶段毫无改善64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1032788API
curl https://kongchang.com/api/v1/knowledge/claims/1032788MCP
get_claim(id=1032788)