待验证50% 置信事实精确时间
研究比较了标准方法，包括监督微调（SFT）、GRPO和梯度上升遗忘学习。
1
来源数
50%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证论文实验表明，监督微调（SFT）能让偏好变得可学习。78% 相似待验证实验结果表明，SAPD在不同教师配置下均能提升性能，相比SFT有效缓解了灾难性遗忘。74% 相似待验证O'Brien 等人同期研究发现，当使用中期训练教模型在指定上下文内失准行为可接受（用生造词 <quarantine_token> 标记），并用符合该格式的 SFT/RL 训练数据时，失准泛化可以降低，但没有超过接种提示的效果。70% 相似待验证SFT 通常比预训练便宜得多，但对数据质量极其敏感，数据配比、epoch 数、学习率都会显著影响效果。70% 相似已验证从预训练检查点到可商用产品需经历监督式指令微调（SFT）和基于人类反馈的强化学习（RLHF）两个后训练阶段70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134232API
curl https://kongchang.com/api/v1/knowledge/claims/1134232MCP
get_claim(id=1134232)