已验证70% 置信事实精确时间

DPO（直接偏好优化）等对齐算法在降低训练成本的同时提升了模型在开放式指令下的表现一致性

4

来源数

70%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

GPT-5.6发布：程序化工具调用与自主代理实测解析

bilibili万物深译2026/7/10

相关事实

待验证DPO 相比 PPO 实现简单、稳定性高、资源友好，但对偏好数据质量要求高，且使用离线偏好数据限制了训练中的策略探索能力78% 相似待验证后训练优化包括指令微调、RLHF或DPO策略调整、系统提示词工程改进及工具调用和多模态融合能力强化77% 相似待验证训练SWE-bench智能体的先进方法包括拒绝采样（Rejection Sampling）、DPO（Direct Preference Optimization）以及过程奖励模型（Process Reward Model）77% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/491683

API

curl https://kongchang.com/api/v1/knowledge/claims/491683

MCP

get_claim(id=491683)