待验证50% 置信事实精确时间
RLVR训练常观察到pass@1上升而pass@k（大k）下降的现象，即策略变得更‘锐化’但多样性下降。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/2
首次发现
有效期至：2027/1/31
来源
涉及实体
相关事实
待验证低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化71% 相似待验证模型经过RL训练后输出多样性明显降低，并形成固定的小习惯（ticks）70% 相似待验证RLVR的奖励信号质量依赖任务难度分布，任务太易会奖励饱和梯度消失，任务太难会奖励稀疏，两者都导致训练停滞69% 相似待验证对抗梯度显著性是一阶局部近似，训练中显著性排序会漂移，长期只更新初始子集可能错失后来重要的参数，因此需要子集选择策略与周期性重估。67% 相似待验证特征值的衰减速率直接决定了RKHS的光滑性与泛化误差界：衰减越快，函数空间越“小”，模型越倾向于学习光滑函数。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125845API
curl https://kongchang.com/api/v1/knowledge/claims/1125845MCP
get_claim(id=1125845)