待验证50% 置信事实精确时间
信用分配是强化学习核心难题：一条轨迹只获得一个标量回报时，判断每步动作贡献大小很困难；在1000 token思维链中只有最终答案信号，中间步骤无直接反馈，导致策略梯度方差极大。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
FSPO：函数空间时序自蒸馏，让策略优化更稳更省
rss2026/10/14
涉及实体
相关事实
待验证信用分配问题指在多步骤智能体任务中，传统奖励只在任务最终完成时给出总分，无法告知模型哪一步做对或做错，是agentic RL研究中最核心的工程挑战之一75% 相似待验证密集奖励能提供平滑的学习梯度，但前提是必须存在对'进展'的客观定义，否则每步反馈都是主观判断，不可复现且无法规模化。73% 相似待验证在稀疏奖励场景下，智能体可能完成数千步操作后才收到唯一一个信号，使得信用分配极为困难71% 相似待验证单棵决策树最大的问题是方差高、容易过拟合，集成学习通过高偏差换低方差的权衡来弥补这一缺陷71% 相似待验证提示词工程包括少样本学习、思维链、角色设定等方法，其收益受限于底层工程链路的稳定性71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037334API
curl https://kongchang.com/api/v1/knowledge/claims/1037334MCP
get_claim(id=1037334)