待验证50% 置信事实精确时间
CARL 使用与 Nexto 相同的训练配置（包括奖励函数、超参数和网络结构），在数小时内就达到了 Nexto 的水平。
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
CUDA加速火箭联盟强化学习：设备驻留仿真让训练提速百倍
redditr/reinforcementlearning2026/10/16
涉及实体
相关事实
待验证Nexto是使用PPO算法训练的神经网络机器人，基于RocketSim可训练出接近职业水平的《火箭联盟》AI选手72% 相似待验证DPO 及其变体（如 IPO、KTO）成为 LLM 后训练阶段的主流方法之一60% 相似已验证PPO（近端策略优化）通过限制每次参数更新的幅度，在学习效率与训练稳定性之间取得平衡59% 相似已验证「后训练」（Post-training）是预训练完成后的对齐与能力强化阶段，通常包括SFT、RLHF及基于过程奖励模型的强化学习（如GRPO、DAPO）58% 相似已验证PPO（近端策略优化）以其训练稳定性成为连续控制任务的事实标准，SAC（软演员-评论家）通过最大熵框架在样本效率上具有优势57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1042364API
curl https://kongchang.com/api/v1/knowledge/claims/1042364MCP
get_claim(id=1042364)