待验证50% 置信事实精确时间
SimRec 的任务对齐奖励使用 GRPO 优化整条轨迹,奖励包括最终命中结果、自然检索质量和有效的工具使用。
1
来源数
50%
置信度
长期有效
时效性
2026/11/13
首次发现
来源
涉及实体
相关事实
待验证GRPO天然适合可验证任务,在数学、代码等场景可用规则化奖励替代复杂奖励模型74% 相似已验证GRPO对同一个输入采样一组多个输出,以组内奖励的均值作为基线计算优势函数,从而省去价值网络并降低显存和计算开销。70% 相似待验证RLVR 通常采用 GRPO 等组相对策略优化方法,对同一 prompt 采样一组 rollout,用结果验证器给出 0/1 奖励,再以组内奖励的标准化值作为优势函数更新策略。68% 相似待验证基于检索的匹配策略能够识别出最多的技能(召回率高),而生成式策略则更加精确(精确率高)66% 相似待验证GEPA-Curator在原有提示优化器GEPA基础上增加了任务筛选(task curation)和成功经验检索(prior success retrieval)两个模块。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1165059API
curl https://kongchang.com/api/v1/knowledge/claims/1165059MCP
get_claim(id=1165059)