待验证50% 置信事实精确时间
经过 RL 阶段后，Agima 涌现出训练中未显式教授的行为，包括统一格式的自发形成、按需前瞻（只在必要时进行前向思考）以及在关键决策点上更高频率的分支探索。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
待验证Agima 的训练分为两个阶段：第一阶段用监督微调（SFT）将策略与世界模型统一到同一个全能模型中；第二阶段用智能体强化学习（RL）教模型在想象出的未来上进行推理并用于规划。71% 相似待验证被对比的jev架构采用并行采样，通过RLCD（对比蒸馏强化学习）训练，输出置信度分布和schema选择68% 相似待验证在Agent语境下，强化学习（RL）主要用于优化决策策略，常用方法包括RLHF和DPO，相比监督微调能通过试错探索更优路径，但面临奖励设计困难、样本效率低、训练不稳定等挑战66% 相似待验证近期研究表明RL（尤其是RLVR）并没有给模型注入大量新知识，而更像是激发和对齐预训练阶段已具备的能力65% 相似待验证RL训练的每个step都需要完整的推理采样、奖励计算和反向传播，其中rollout是最耗时的环节65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073380API
curl https://kongchang.com/api/v1/knowledge/claims/1073380MCP
get_claim(id=1073380)