待验证50% 置信事实时间未知
Deep thinking mode models are trained via reinforcement learning (such as RLHF or GRPO) to first output thinking tokens before the final answer.
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
相关事实
待验证推理增强模型训练层面通常借助GRPO（Group Relative Policy Optimization）等强化学习算法，以最终答案正确性作为奖励信号72% 相似待验证o1、DeepSeek-R1等模型将思维链内化为训练目标，在输出答案前生成大量内部草稿推理72% 相似已验证o系列模型将思维链推理与强化学习相结合，模型在给出答案前生成内部思考步骤69% 相似待验证基于可验证奖励的强化学习（RLVR）已成为提升模型推理能力的重要路径，是多款前沿推理模型能力跃升的关键因素之一68% 相似待验证现代推理模型普遍采用RLHF或其变体RLAIF进行对齐训练，模型在训练中学会何时停止推理、何时输出答案67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/54873API
curl https://kongchang.com/api/v1/knowledge/claims/54873MCP
get_claim(id=54873)