待验证50% 置信事实精确时间

在离策略场景下需叠加重要性采样权重，该权重是当前策略与行为策略概率之比，极端值会大幅放大方差

1

来源数

50%

置信度

长期有效

时效性

2026/9/20

首次发现

来源

Score Centering：稳定离策略强化学习的数值新解

涉及实体

importance sampling ratioconcept

相关事实

待验证针对基准优化会带来风险，高分可能只反映模型对特定题型的适应，而非通用能力的真正提升78% 相似待验证在大多数复杂优化问题中，贪心策略会陷入局部极值而非全局极值74% 相似待验证模型的'原始能力等级'与'实际部署风险'是两个需要分开看待的概念73% 相似待验证模型选择本质上是多目标优化问题，有时需要最低价格，有时需要最快响应，有时需要特定能力73% 相似待验证传统风险管理理论认为增加独立决策主体的数量可以分散风险，但当决策主体高度相关时该机制失效73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/937385

API

curl https://kongchang.com/api/v1/knowledge/claims/937385

MCP

get_claim(id=937385)