待验证50% 置信事实精确时间
在分布偏移下,预测性学习训练的策略可能系统性地产生不可行解。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
涉及实体
相关事实
待验证训练稳定性在强化学习中至关重要,因为策略更新、奖励稀疏、环境随机性都会导致曲线波动,某些自蒸馏方法可能在训练中途出现奖励骤降、熵坍缩(策略过早收敛到单一行为)或梯度异常。80% 相似待验证后训练阶段的强化学习能在分布内和分布外任务上提升解答准确率,但并不能持续改善推理轨迹的有效性79% 相似待验证离线强化学习的核心难题是分布偏移——学习到的策略容易偏离行为策略,从而在真实环境中遭遇未见过状态-动作对。79% 相似待验证有效的强化学习训练需要维持一定的错误率,让模型处于努力才能答对的区间,这与教育心理学的最近发展区(Zone of Proximal Development)概念一致76% 相似待验证VICO论文指出当模型能力提升时,固定不变的训练任务会偏离其学习前沿,导致学习信号坍塌76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1153181API
curl https://kongchang.com/api/v1/knowledge/claims/1153181MCP
get_claim(id=1153181)