待验证50% 置信事实精确时间
在多步工具调用任务中,SFT 提供初始策略和推理格式,RL 负责在奖励引导下微调决策边界。
1
来源数
50%
置信度
长期有效
时效性
2026/11/17
首次发现
来源
LogT:不堆RL复杂度,用高质量SFT数据让VLM学会用图思考
rss2026/11/14
涉及实体
相关事实
待验证第一个 SFT 阶段采用「模型感知的数据构造」方法:先合成具有挑战性的问题,再根据基座模型自身成功的解题策略对这些题目进行对抗性强化。74% 相似已验证监督微调(SFT)使用'提示-回答'示例对模型进行训练,让模型学会以对话形式响应,从而使输出更连贯73% 相似已验证领域微调通常先通过监督微调(SFT)注入领域知识,再经过基于人类反馈的强化学习(RLHF)对齐用户偏好72% 相似待验证SFT 冷启动指的是在强化学习之前,先用监督微调让模型具备基本的目标行为模式,以避免 RL 从零探索时奖励信号极度稀疏的问题。72% 相似待验证一项新研究提出将RL目标推导为对模型生成目标分布的最大似然拟合,从而将预训练、SFT和RL统一到同一族目标函数。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1178327API
curl https://kongchang.com/api/v1/knowledge/claims/1178327MCP
get_claim(id=1178327)