待验证50% 置信解决方案精确时间
RLEF使用双层测试策略：在公开测试集上评估并给予执行反馈用于迭代，通过后用私有测试集决定奖励用于PPO训练
1
来源数
50%
置信度
长期有效
时效性
2026/9/9
首次发现
来源
涉及实体
相关事实
已验证GLM-5.2采用了基于执行反馈的强化学习（RLEF），将代码能否通过测试作为奖励信号优化生成可执行代码的能力72% 相似待验证RLEF将奖励信号来源从人类判断转向代码执行结果，如测试用例通过率和数学答案正确性等可自动验证的确定性信号，绕开人工标注的扩展性瓶颈70% 相似待验证指令跟随能力依赖于监督微调（SFT）阶段和RLHF阶段的偏好对齐优化69% 相似待验证安全对齐通常通过监督微调（SFT）、基于人类反馈的强化学习（RLHF）等阶段实现，近期出现了直接偏好优化（DPO）等更高效方法，对齐目标概括为3H原则：有用、诚实、无害66% 相似待验证Function Calling的可靠性高度依赖RLHF对调用时机的精确校准，模型需在训练阶段学习何时调用工具的判断边界66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/884337API
curl https://kongchang.com/api/v1/knowledge/claims/884337MCP
get_claim(id=884337)