[控场AI]
待验证50% 置信解决方案精确时间

双通道约束GRPO的基础奖励通道保留原始分数用于组内比较,惩罚项和约束估计通过一个在裁判标注训练回复上拟合的单调映射传递,且优势函数中保留乘子,使安全约束能影响梯度更新。

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

引用此条事实

Stable URI
https://kongchang.com/claim/1166234
API
curl https://kongchang.com/api/v1/knowledge/claims/1166234
MCP
get_claim(id=1166234)