待验证50% 置信解决方案精确时间

AdvRole的Rewriter依靠性能差奖励训练，如果一次改写能让当前Actor的得分相比原始场景明显下降，该改写就获得更高奖励

1

来源数

50%

置信度

长期有效

时效性

2026/9/25

首次发现

来源

AdvRole：用对抗性闭环课程进化角色扮演智能体

涉及实体

AdvRoleconcept 性能差奖励concept

相关事实

待验证递归训练大量使用以任务完成率、代码运行结果为奖励信号，缺乏对叙事一致性的显式监督，可能导致语言建模通用能力的灾难性遗忘，在小参数量模型上更明显67% 相似待验证智能体的偏好受训练数据、提示词、版本迭代等多重因素影响，今天有效的优化手段可能在下一次模型更新后失效64% 相似待验证分配给预训练的算力越多，下游任务的pass@1奖励就越高，预训练损失越低模型在后续RL中获得的收益越大64% 相似待验证逆强化学习试图从演示中推断出奖励函数，理论上更优雅但计算成本更高64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/949047

API

curl https://kongchang.com/api/v1/knowledge/claims/949047

MCP

get_claim(id=949047)