待验证50% 置信事实精确时间
分布式强化学习（DRL）学习回报的完整分布而非仅其期望，这一思想最早由 Bellemare 等人在 C51 算法中系统化。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
待验证DRaFT利用扩散模型去噪过程的可微性，将奖励函数梯度直接回传至模型参数，无需强化学习的策略梯度估计器，规避高方差问题69% 相似待验证Drex DLM 的指针头直接对答案选项打分而非解码文本，单次前向传播即可得到固定选项上的校准概率分布65% 相似待验证RLCD通过构造正负样本对进行对比学习，结合强化学习信号蒸馏模型输出分布，在无需人工标注奖励的场景下具有优势65% 相似待验证研究者提出了一种基于Credal集的方法，其学习器预测输出不再是单一概率分布，而是以Credal集形式呈现一组可能的分布。63% 相似待验证在RLHF和生成模型微调中，算法设计应直接针对分布匹配目标，利用采样遗憾的对数级收敛特性构建更高效的训练流程。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084257API
curl https://kongchang.com/api/v1/knowledge/claims/1084257MCP
get_claim(id=1084257)