待验证50% 置信观点精确时间
SPTA的两阶段流程相对轻量，只需在OPD前增加一轮前缀收集与RLVR训练，具备工程可行性。
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SPTA在数学推理基准上取得了优于标准OPD和任务级RLVR适应老师的效果。70% 相似待验证在AD训练阶段，冻结wav2vec 2.0主干，将两个任务向量按逐层可学习的合并系数注入每个Transformer层，整个训练过程仅优化这些合并系数和一个线性分类头，可训练参数不到全量微调的0.1%。69% 相似待验证相较于经典RLHF流程，DPO更简洁、更稳定、训练开销更低68% 相似待验证Together的post-training平台把环境配置、算力调度和实验管理打包成更易用的接口，降低了RL实验的启动门槛。68% 相似待验证RLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130771API
curl https://kongchang.com/api/v1/knowledge/claims/1130771MCP
get_claim(id=1130771)