待验证50% 置信事实精确时间

PPO 是早期 RLHF 流程（如 InstructGPT）的核心组件

1

来源数

50%

置信度

长期有效

时效性

2026/9/21

首次发现

来源

DAPO：字节跳动与清华开源的大模型强化学习系统

涉及实体

PPOconcept RLHFconcept InstructGPTproduct

相关事实

已验证InstructGPT与ChatGPT是RLHF流程的代表性产物74% 相似待验证SFT源自InstructGPT论文中提出的RLHF流程的第一阶段72% 相似待验证InstructGPT在2022年首次将RLHF大规模应用于GPT-3，直接催生了ChatGPT的诞生68% 相似已验证GPT-3.5 Turbo是OpenAI首个基于RLHF大规模优化对话能力的商用模型63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/937676

API

curl https://kongchang.com/api/v1/knowledge/claims/937676

MCP

get_claim(id=937676)