Unverified50% confidenceFactExact time
指令跟随能力依赖于监督微调（SFT）阶段和RLHF阶段的偏好对齐优化
1
Sources
50%
Confidence
Long-term
Relevance
7/14/2026
First Seen
Sources
Related Claims
Unverified安全对齐通常通过监督微调（SFT）、基于人类反馈的强化学习（RLHF）等阶段实现，近期出现了直接偏好优化（DPO）等更高效方法，对齐目标概括为3H原则：有用、诚实、无害76% similarUnverifiedFunction Calling能力通过SFT阶段构造大量工具调用示例数据获得，结合RLHF优化工具选择准确性73% similarUnverifiedFunction Calling的可靠性高度依赖RLHF对调用时机的精确校准，模型需在训练阶段学习何时调用工具的判断边界71% similarUnverified高质量标注数据是监督学习和RLHF的核心原料，该环节目前仍高度依赖人工完成66% similarUnverifiedRLHF在代码场景中需要人类标注者对代码的可运行性、安全性和符合最佳实践程度进行专项评分66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/503705API
curl https://kongchang.com/api/v1/knowledge/claims/503705MCP
get_claim(id=503705)