待验证50% 置信事实精确时间

论文实验表明，监督微调（SFT）能让偏好变得可学习。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/16

首次发现

有效期至：2027/1/14

来源

LIBERO-PeRM：首个个性化机器人操作基准发布

涉及实体

监督微调 (SFT)concept LIBERO-PeRMproduct

相关事实

待验证从修复后的SFT检查点出发再做强化学习，能带来更大且更稳定的性能收益，说明先修复后强化存在协同效应73% 相似已验证从预训练检查点到可商用产品需经历监督式指令微调（SFT）和基于人类反馈的强化学习（RLHF）两个后训练阶段72% 相似待验证对于标签空间离散且封闭的分类任务，SFT的训练信号已足够清晰，引入强化学习反而会增加超参数调节难度和训练不稳定性71% 相似已验证大模型训练经历三个核心阶段：预训练、有监督微调（SFT）和偏好对齐70% 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70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1041750

API

curl https://kongchang.com/api/v1/knowledge/claims/1041750

MCP

get_claim(id=1041750)