待验证50% 置信事实精确时间

最近流传的一篇论文提出，用于推理任务的强化学习（RL）仅仅改变了1%到3%的词元，并且在不使用RL的情况下，用少得多的算力就能复现大部分收益。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/17

首次发现

有效期至：2027/1/15

来源

RL仅改变1-3%词元，单题测试时训练改变什么？

涉及实体

强化学习concept 词元concept

相关事实

待验证“RL只改变了1-3%的词元”是指比较RL前后模型在同一批输入上的输出分布，只有极少数位置的预测发生了显著偏移。78% 相似待验证Anthropic研究团队指出，经过RLHF训练的模型在某些推理基准上的表现会出现1%-3%的性能回退70% 相似待验证RLAIF（AI反馈强化学习）用AI自身的批判性评估替代大规模人工标注，相比RLHF将人工标注成本降低了一到两个数量级67% 相似待验证少样本学习在提示词中附带少量输入-输出示例，通常1-5个62% 相似待验证约有10-15%的论文在rebuttal后提升分数，但最终翻盘的更少62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1054044

API

curl https://kongchang.com/api/v1/knowledge/claims/1054044

MCP

get_claim(id=1054044)