已验证75% 置信事实精确时间

PPO通过引入信任域约束防止策略更新过大导致训练崩溃，是目前大模型RL训练中最广泛应用的基础算法之一

3

来源数

75%

置信度

长期有效

时效性

2026/7/17

首次发现

来源

用NVIDIA NeMo构建强化学习驱动的自主科研智能体

相关事实

待验证该项目采用PPO算法进行强化学习训练77% 相似已验证PPO（近端策略优化）通过限制每次参数更新的幅度，在学习效率与训练稳定性之间取得平衡76% 相似已验证PPO由OpenAI于2017年提出，通过裁剪目标函数限制策略更新幅度以保证训练稳定性，依赖GPU加速76% 相似已验证PPO属于on-policy算法，只能使用当前策略生成的数据进行训练，用过的数据即丢弃，导致样本效率相对较低75% 相似待验证若 Score Centering 实验验证有效，将为超越 PPO 范式的离策略 LLM 训练路线提供支撑73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/542163

API

curl https://kongchang.com/api/v1/knowledge/claims/542163

MCP

get_claim(id=542163)