待验证50% 置信事实精确时间

Off-policy方法（如DQN、SAC）可以通过经验回放缓冲区复用历史数据提高样本利用率，而重要性采样在新旧策略差异较大时权重方差可能爆炸式增长

1

来源数

50%

置信度

长期有效

时效性

2026/8/5

首次发现

来源

策略梯度算法进化史：从REINFORCE到PPO再到GRPO的完整脉络

相关事实

待验证「限时免配额」策略能快速积累新模型的真实使用数据与反馈，并降低用户尝鲜门槛74% 相似待验证应对域偏移的常见策略包括少量标注数据的微调、无监督域适应以及测试时增强71% 相似待验证微调允许模型调整表征以更好服务下游任务，但需要更多标注数据和计算资源，且存在灾难性遗忘的风险69% 相似待验证当上下文过长或充斥无关信息时，应精确管理和裁剪上下文以避免响应质量下降和推理成本上升67% 相似待验证重开性方面，基础版在多次通关后策略路径趋于固定，长期耐玩度依赖扩展包（如'濒临爆发''实验室'等）来增加变数66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/691009

API

curl https://kongchang.com/api/v1/knowledge/claims/691009

MCP

get_claim(id=691009)