待验证50% 置信基准精确时间

在工具调用任务上使用 Qwen2.5-1.5B-Instruct 进行实验，三奖励设置下 WAS-PO 在七个随机种子全部取得更高的平均训练奖励，幅度为 3.8%。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/11/3

首次发现

有效期至：2027/2/1

来源

WAS-PO：用白化优势解决多奖励强化学习的相关性陷阱

rss2026/11/2

涉及实体

WAS-POmodel Qwen2.5-1.5B-Instructmodel 工具调用任务concept

相关事实

待验证Qwen3的训练后期大量使用了基于结果奖励的强化学习73% 相似待验证Qwen3训练团队采用渐进式训练策略：先完成简单任务，然后扩大规模、引入多任务、再逐步增加任务难度70% 相似待验证两个仅在WildAWM合成环境训练的Qwen模型在8个OOD基准上都取得了显著提升，说明习得能力可以泛化到未见过的计算机使用任务。68% 相似待验证Qwen2.5-Max-0902此次更新针对编程和协同办公两大方向进行专项后训练优化67% 相似待验证马斯克亲自剧透Grok 4.8的总参数达到2.5万亿，基于全新训练架构开发，目前预训练已顺利结束，团队正在全力进行强化学习调优。67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1130536

API

curl https://kongchang.com/api/v1/knowledge/claims/1130536

MCP

get_claim(id=1130536)