待验证50% 置信事实精确时间
CPT效用是关于奖励分布的非线性泛函，不是奖励的线性期望，这破坏了传统乐观算法依赖的期望线性可加性。
1
来源数
50%
置信度
长期有效
时效性
2026/11/5
首次发现
来源
涉及实体
相关事实
待验证CPT的核心包括两点：概率权重函数（对小概率事件赋予过高权重、对中高概率事件赋予过低权重）和价值函数（以参考点为界定义收益与损失效用，损失区间更陡峭，且收益区间风险规避、损失区间风险寻求）。68% 相似待验证策略梯度方法（如PPO）依赖折扣因子γ对未来奖励进行指数衰减，距离当前时刻t步的奖励只保留γ^t的权重66% 相似待验证论文将此前方法无法区分不同置信度目标的原因归结为两个问题：区分不同 p 值的奖励信号在优化过程中常常被丢失，以及原始错误惩罚在 p 趋近于 1 时会无界增长。64% 相似待验证消融实验显示增加示例使用量并不会带来一致收益，而是呈现动态性与奖励之间的权衡关系59% 相似待验证失败驱动 PPO 微调可能不如普通延续训练，可能原因包括分布偏移、奖励重塑副作用和课程顺序敏感性。58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1138271API
curl https://kongchang.com/api/v1/knowledge/claims/1138271MCP
get_claim(id=1138271)