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

先修复后强化：上下文增强知识图谱推理攻克多跳问答难题

涉及实体

强化学习concept SFTconcept

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

引用此条事实

Stable URI

https://kongchang.com/claim/919821

API

curl https://kongchang.com/api/v1/knowledge/claims/919821

MCP

get_claim(id=919821)