待验证50% 置信观点精确时间

相比 SFT，RL 训练更不稳定、对超参更敏感，也更吃算力。

1

来源数

50%

置信度

长期有效

时效性

2026/10/19

首次发现

来源

Together推出后训练服务：定制你的前沿开源大模型

涉及实体

强化学习 (RL)concept 监督微调 (SFT)concept

相关事实

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74% 相似待验证Eric Bigelow认为很多能力本就存在于预训练基础模型中，后续的SFT、RL、Agent微调更多是对分布做打磨锐化而非凭空赋予新能力73% 相似待验证选择仿真平台的本质是RL训练效率与物理保真度之间的权衡72% 相似待验证RLHF训练中会加入KL散度惩罚项，防止模型偏离SFT阶段学到的基础行为太远71% 相似待验证RLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1070722

API

curl https://kongchang.com/api/v1/knowledge/claims/1070722

MCP

get_claim(id=1070722)