待验证50% 置信事实精确时间
任务级RLVR虽然提升了老师的独立解题能力，但没有解决教师-学生间的分布错配问题。
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
SPTA：让学生前缀教会老师如何指导
rss2026/11/2
涉及实体
相关事实
待验证在 PIVOT 中，监督只作用于插入的教师纠正片段，原始学生 token 仍由 RLVR 奖励驱动，两类损失联合优化。72% 相似待验证与基于人类反馈的强化学习（RLHF）相比，RLVR 不依赖人工打分员，边际成本极低，可以以远超 RLHF 的规模运行71% 相似待验证RLVR的优化景观与监督学习存在本质差异：奖励信号稀疏且离散，梯度估计来自采样响应，方差显著高于传统训练场景。70% 相似待验证强化学习与监督学习不同，RL不需要标注数据，而是通过试错学习最优行为70% 相似待验证RLVR（强化学习 with 可验证奖励）在分布内任务上表现优异，但在分布外（OOD）迁移时性能显著下降（策略崩溃）。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130769API
curl https://kongchang.com/api/v1/knowledge/claims/1130769MCP
get_claim(id=1130769)