待验证50% 置信事实精确时间

若一道难题在采样中全部失败（pass@k约为0），奖励方差为零，梯度信号几乎消失，参数更新量趋近于零

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

强化学习训练LLM：用"永不放弃"策略攻克难题

涉及实体

GRPOconcept PPOconcept 蒙特卡洛采样concept

相关事实

待验证Mann-Whitney U检验显示朴素生存奖励下task_score跌破随机策略基线,p=0.01267% 相似待验证OpenAI的图表显示，在较低的测试时计算量下，模型对这道题的成功率接近零，只有在极长的推理链条下才偶尔成功67% 相似待验证当模型对某个训练样本的预测概率接近1时，该样本对应的交叉熵损失趋近于零，模型几乎无法获得梯度更新信号66% 相似待验证在实验中，零样本生成任务解决率为17%，通用自我纠错为27%，仅错误反馈为23%，诊断性反例反馈（A-CEGIS）达到90%65% 相似待验证在一个396个文件的大型混合职责项目上测试时，召回率几乎跌到零65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/924062

API

curl https://kongchang.com/api/v1/knowledge/claims/924062

MCP

get_claim(id=924062)