待验证50% 置信事实精确时间
RLCD（带校准决策的强化学习）训练采用教师-学生蒸馏思路，教师给出概率分布（如 0.7/0.2/0.1），学生原始分数 softmax 后保持排序但分布偏离，目标是让学生分布逼近教师分布。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
Jev实战：用单次Prefill替代逐token解码的决策模型
youtubefreeCodeCamp.org2026/10/27
涉及实体
相关事实
待验证RLCD是作者自称的（非官方命名）基于策略梯度的强化学习方法，针对严格正确评分规则优化决策模型，只有当模型输出数学上校准的概率时才获得最大奖励76% 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74% 相似待验证RL训练通过策略梯度等方法将概率质量从普通输出重新分配到优质输出，并不创造全新能力71% 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。71% 相似待验证端点式策略蒸馏方法将教师模型RL训练前后log概率差值作为监督信号，施加在学生模型自己生成的轨迹上。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1104026API
curl https://kongchang.com/api/v1/knowledge/claims/1104026MCP
get_claim(id=1104026)