待验证50% 置信事实精确时间
RLCD将优化目标从人类满意度切换为决策校准度，即模型输出的置信度与实际正确率高度匹配
1
来源数
50%
置信度
长期有效
时效性
2026/9/25
首次发现
来源
涉及实体
相关事实
已验证确认偏误与RLHF（基于人类反馈的强化学习）训练方式相关，模型被优化为生成让人满意的回答80% 相似待验证RLCD是作者自称的（非官方命名）基于策略梯度的强化学习方法，针对严格正确评分规则优化决策模型，只有当模型输出数学上校准的概率时才获得最大奖励77% 相似已验证RLHF机制中人类标注者往往对超出预期、提供额外细节的回答给出更高评分，从而系统性地鼓励模型进行推断性补全76% 相似待验证RLMF的核心思路是优化模型如何准确表达自己对答案的把握程度，而非单纯优化模型说什么76% 相似待验证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75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/949514API
curl https://kongchang.com/api/v1/knowledge/claims/949514MCP
get_claim(id=949514)