待验证50% 置信事实精确时间
从修复后的SFT检查点出发再做强化学习，能带来更大且更稳定的性能收益，说明先修复后强化存在协同效应
1
来源数
50%
置信度
长期有效
时效性
2026/9/14
首次发现
来源
涉及实体
相关事实
待验证点版本升级通过监督微调（SFT）、强化学习人类反馈（RLHF）或直接偏好优化（DPO）等后训练技术进行，成本低于全新预训练68% 相似已验证从预训练检查点到可商用产品需经历监督式指令微调（SFT）和基于人类反馈的强化学习（RLHF）两个后训练阶段68% 相似待验证Iris采用SFT-RL climbing策略，将监督微调和强化学习交替进行，RL阶段发现的高质量行为轨迹回传给SFT阶段作为新监督信号67% 相似待验证适合恢复后期维持训练和日常体态改善，但康复进度追踪机制通常较粗放，多依赖教练主观判断而非标准化量表66% 相似待验证康复进度应有可量化的追踪机制（每2-4周复测ROM、肌力、功能测试如单腿跳测试LSI），无客观复测、仅凭'感觉好点了'推进的课程质量存疑66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/919821API
curl https://kongchang.com/api/v1/knowledge/claims/919821MCP
get_claim(id=919821)