待验证50% 置信事实精确时间
CIPR的设计不绑定具体训练范式，可同时应用于监督微调（SFT）和强化学习（RL）后训练阶段。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
跨界面一致性训练：让LLM Agent更鲁棒的新方法
rss2026/10/14
涉及实体
相关事实
待验证CIPR作为可微正则项加入总损失，无需额外标注，也不改变原有训练目标的收敛性保证。75% 相似待验证继续预训练（CPT）是在通用基座模型上用领域语料进行额外的无监督训练，让模型吸收领域知识75% 相似待验证离线RL只在预先收集好的固定数据集上训练策略，训练期间不再与环境交互，其核心优势是训练过程完全可复现、可审计。71% 相似待验证后训练通常涵盖监督微调（SFT）、强化学习对齐（RLHF/RLAIF）以及领域适配微调，视觉推理模型还涉及视觉指令微调71% 相似待验证后训练是大语言模型从预训练完成到真正可用之间的关键环节，涵盖监督微调（SFT）、指令对齐、RLHF/DPO 等技术手段70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037942API
curl https://kongchang.com/api/v1/knowledge/claims/1037942MCP
get_claim(id=1037942)