待验证50% 置信事实精确时间
PPO等主流RL算法要求用于生成样本的策略与当前被优化的策略尽量一致（on-policy），否则off-policy数据会引入偏差、降低样本效率并可能导致训练不稳定
1
来源数
50%
置信度
长期有效
时效性
2026/9/24
首次发现
来源
涉及实体
相关事实
待验证PPO等主流RL算法依赖rollout阶段采集的log概率来计算重要性采样比率，若推理与训练引擎的log-prob存在系统性偏差会导致策略梯度方差增大甚至训练发散79% 相似已验证PPO的核心创新在于通过裁剪目标函数来限制策略更新的幅度，避免因单次更新过大导致训练崩溃77% 相似待验证PPO 通过截断重要性采样比率将策略更新约束在旧策略的邻域内，近似实现 on-policy 的稳定性保证74% 相似待验证PPO 算法需要计算旧策略概率与新策略概率的比值（importance ratio），两套引擎的分歧会污染该比值73% 相似已验证PPO 由 OpenAI 于 2017 年提出，通过裁剪机制限制策略更新幅度，当新旧策略概率比超出 1±0.2 范围时截断梯度72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/946765API
curl https://kongchang.com/api/v1/knowledge/claims/946765MCP
get_claim(id=946765)