待验证50% 置信事实精确时间

OpenAI训练InstructGPT时采用的奖励模型训练范式本质上是Bradley–Terry框架的一种实例化

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

联合建模多元有序偏好：超越成对比较的新框架

涉及实体

OpenAIcompany InstructGPTproduct Bradley–Terry模型concept

相关事实

已验证SFT-奖励模型-RLHF三阶段对齐训练范式最早由OpenAI在InstructGPT论文中系统提出79% 相似待验证RL Gym概念源自OpenAI开源的标准化强化学习训练环境框架72% 相似已验证开放权重（open weights）区别于完全开源（open source），前者公开模型参数但不一定公开训练数据和完整训练代码72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/987019

API

curl https://kongchang.com/api/v1/knowledge/claims/987019

MCP

get_claim(id=987019)