待验证50% 置信事实精确时间
PPO的on-policy特性意味着每次更新后旧样本即失效，因此对仿真环境的吞吐量要求较高。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
AUV强化学习项目雇开发：Unity+PPO实战需求
redditr/reinforcementlearning2026/10/16
涉及实体
相关事实
待验证在线策略蒸馏中每次策略更新后旧响应分布偏移，继续使用会引入off-policy偏差64% 相似待验证悲观锁（SELECT ... FOR UPDATE）通过序列化访问争议行消除丢失更新和竞态条件，但会降低吞吐量、增加延迟、可能导致连接池耗尽并引入死锁风险。63% 相似待验证在“错误政策”案例中，根因是索引过期或缺少 metadata 过滤导致检索层返回旧版退款 FAQ 的高置信度 chunks，而非 LLM 幻觉。61% 相似待验证当吞异常的 PR 被批量合并后，系统可观测性会逐渐退化：监控面板错误率下降并非因为问题修复，而是因为错误不再被上报，下游可能收到不合法的 nil 值并触发难以追溯的故障。61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1045271API
curl https://kongchang.com/api/v1/knowledge/claims/1045271MCP
get_claim(id=1045271)