待验证50% 置信事实精确时间

Skill-Uni采用两阶段训练策略：第一阶段为热身指令微调，第二阶段采用GRPO强化学习算法。

1

来源数

50%

置信度

长期有效

时效性

2026/10/30

首次发现

来源

一石二鸟：统一检索与利用的技能增强生成框架

涉及实体

Skill-Uniconcept GRPOconcept

相关事实

待验证该论文将整个进化过程框定为多任务预训练和持续训练两个阶段，借鉴深度学习训练范式75% 相似待验证该交互式教程为系列第二卷，第一卷讲策略梯度谱系（REINFORCE → PPO → GRPO）74% 相似待验证论文提出分阶段训练策略：第一阶段正常训练所有层；第二阶段冻结循环层权重，仅更新注意力层及其他部分，以缓解竞争学习。74% 相似待验证Steering Agent的训练采用强化学习联合优化，目标函数结合了成对排序目标和组相对策略优化（GRPO）。73% 相似待验证TRACER 采用两阶段训练：第一阶段在真实用户对话上做监督微调（SFT），第二阶段引入多轮强化学习（RL）73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1114751

API

curl https://kongchang.com/api/v1/knowledge/claims/1114751

MCP

get_claim(id=1114751)