待验证50% 置信事实精确时间
该研究推导出了 KL 正则化下 pass@k 与 max@k 目标的最优策略闭式解,表明 @k 优化本质上是在按题目难度重新分配学习压力,把优化重心从简单题转向难题。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
KAPPO:用@k优化控制LLM后训练中的锐化效应
rss2026/11/2
涉及实体
相关事实
待验证@k 压力完全可以通过单次补全训练实现,性能匹配多补全 @k 优化器,而成本只是后者的一小部分。75% 相似待验证在行为约束强化学习中,只需访问参考策略的梯度即可实现KL正则化,而参考策略的梯度可通过速度分数变换获得。73% 相似待验证MoE架构在处理每个输入时由路由机制动态选择最相关的少数专家处理,通常采用Top-K策略(通常K=2),训练时引入负载均衡损失函数防止负载不均70% 相似待验证反向KL偏向精炼学生已活跃的token排序(mode-seeking),前向KL负责探索教师支持但学生未充分关注的候选(mass-covering)。70% 相似待验证Kimi K2.6能根据问题复杂度自适应调整输出长度,这一能力通过Post Training阶段的长度校准技术实现69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130869API
curl https://kongchang.com/api/v1/knowledge/claims/1130869MCP
get_claim(id=1130869)