待验证50% 置信事实精确时间
SDPO的直接匹配自教师分布策略在正确rollout上可能破坏已有的成功行为。
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APSD对于错误rollout采用外推策略，目标分布延伸到自教师之外，强化纠正力度。74% 相似待验证SMD 还加入了排斥机制：让学生远离教师较弱的预测，以避免继承教师在某些时间步上不可靠的预测模式。69% 相似待验证反向KL散度倾向于让学生聚焦到教师的少数高概率模式上（mode-seeking），在教师因携带Reminder而拥有更尖锐、更可信的分布时，更适合作为失败rollout的纠偏目标。68% 相似待验证离策略强化学习复用旧策略生成的样本，带来效率优势但引入分布偏移与梯度估计的高方差问题67% 相似已验证行为克隆将问题简化为监督学习，但存在分布偏移问题，导致训练时和执行时状态分布不同引发误差累积67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074083API
curl https://kongchang.com/api/v1/knowledge/claims/1074083MCP
get_claim(id=1074083)