待验证50% 置信事实精确时间

PPO 是目前 LLM 对齐训练（如 RLHF）中最广泛使用的算法

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/20

首次发现

有效期至：2026/12/19

来源

Score Centering：稳定离策略强化学习的数值新解

涉及实体

PPOconcept RLHFconcept

相关事实

待验证RLHF遵循先用监督微调（本质是行为克隆）建立基础能力，再用PPO等算法优化人类偏好目标的范式71% 相似待验证Proximal Policy Optimization（PPO）是机器人强化学习的主力策略梯度算法工具70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/937388

API

curl https://kongchang.com/api/v1/knowledge/claims/937388

MCP

get_claim(id=937388)