待验证50% 置信事实精确时间

在同一训练批次中可能出现全部失败或全部成功的 rollout 组，此时组相对奖励信号会失效，组内样本之间没有相对优劣的梯度信息

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

RISED：多环境智能体训练的评分标准选择与自蒸馏方法

涉及实体

相关事实

待验证在稠密检索中，批内负样本训练要求批次包含有信息量的负样本，随机采样会导致训练损失快速收敛但泛化性能差79% 相似待验证当一组采样结果全部错误时，组相对优势会坍缩为零，导致高不确定性场景下模型拿不到有效的梯度反馈76% 相似已验证仅用成功轨迹训练的模型往往存在分布外泛化的严重缺陷，遇到工具返回错误时便丧失纠偏能力76% 相似待验证行为克隆（BC）存在协变量偏移问题，训练时模型只见过专家轨迹的状态分布，部署时微小误差会使机器人进入训练集未覆盖的状态导致级联失败71% 相似待验证当问题过于简单、模型几乎每次都能答对时，奖励信号趋于恒定，参数更新量接近零，训练实际上停止71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/982889

API

curl https://kongchang.com/api/v1/knowledge/claims/982889

MCP

get_claim(id=982889)