待验证50% 置信事实精确时间
SPLIT-RL训练出的策略在推理时的使用方式与普通GRPO模型一致，只需一次CoT调用，不增加推理成本
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
已验证RL阶段每一步训练需要同时运行推理（生成rollout）和反向传播（更新权重），因此算力需求远高于普通微调73% 相似待验证SPLIT-RL的核心思路是把视觉推理和语言推理的训练拆分到两个互不重叠的阶段中进行72% 相似待验证JustGRPO的核心修复方案是在自回归顺序下训练GRPO，推理阶段保持并行解码72% 相似已验证推理增强模型训练层面通常借助GRPO（Group Relative Policy Optimization）等强化学习算法，以最终答案正确性作为奖励信号70% 相似待验证现代推理模型普遍采用RLHF或其变体RLAIF进行对齐训练，模型在训练中学会何时停止推理、何时输出答案70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/990749API
curl https://kongchang.com/api/v1/knowledge/claims/990749MCP
get_claim(id=990749)