待验证50% 置信权衡取舍精确时间

对于标签空间离散且封闭的分类任务，SFT的训练信号已足够清晰，引入强化学习反而会增加超参数调节难度和训练不稳定性

1

来源数

50%

置信度

长期有效

时效性

2026/10/10

首次发现

来源

低成本微调9B决策分类器：无需前沿实验室预算

涉及实体

相关事实

待验证Motif在后训练阶段采用「失败驱动的SFT」策略：通过基准测试和内部场景识别模型弱点，再生成针对性数据集进行训练76% 相似已验证SFT训练时模型只在assistant部分计算损失（损失掩码技术），即只学习如何回答，不学习如何提问75% 相似已验证大模型训练经历三个核心阶段：预训练、有监督微调（SFT）和偏好对齐75% 相似待验证预训练和SFT只提供正向监督，而DPO及RL相邻技术提供负向监督的杠杆，能降低错误序列的概率74% 相似已验证训练-服务一致性问题指训练阶段离线特征计算与线上实时特征计算存在逻辑差异，可能导致模型线上表现严重劣于离线评估74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/994898

API

curl https://kongchang.com/api/v1/knowledge/claims/994898

MCP

get_claim(id=994898)