待验证50% 置信事实精确时间
on-policy rollout指在当前策略（即学生模型自身）的分布下采样生成序列，而非使用固定数据集或旧策略产生的离线数据。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证策略梯度方法本质上是on-policy的，因为梯度估计中的期望是关于当前策略分布的69% 相似待验证在强化学习流程中，模型需要不断生成候选输出（rollout），这些输出被评估打分后反馈回训练过程以更新策略67% 相似待验证缓解分布偏移的手段包括在近期数据上做滚动回测、引入外生变量、对模型输出做在线校准；根本措施是建立监控机制，当预测残差分布显著变化时触发人工复核或模型更新。66% 相似待验证使用生成模型 rollout 作为数据来源存在分布偏移风险：生成模型自身的物理先验可能带有偏差或简化，使数据无法完全反映真实世界的复杂动态。64% 相似待验证滚动式预览是指模型在正式发布前以频繁推送检查点方式持续迭代，相邻版本能力可能出现不一致波动而非单调递进64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098819API
curl https://kongchang.com/api/v1/knowledge/claims/1098819MCP
get_claim(id=1098819)