Unverified50% confidenceFactExact time

从回报中减去任何不依赖于动作的基线函数b(s)不会改变梯度估计的期望值但可以降低方差

1

Sources

50%

Confidence

Long-term

Relevance

8/5/2026

First Seen

Sources

策略梯度算法进化史：从REINFORCE到PPO再到GRPO的完整脉络

Related Claims

Verified梯度下降通过沿着损失函数梯度的反方向迭代调整权重使预测误差逐步收敛69% similar Unverified传统梯度下降方法（如SGD、Adam）要求目标函数可微且连续，在面对离散、非凸、多模态问题时容易陷入局部最优67% similar Unverified更小的模型在长推理链任务上的表现往往指数级下降而非线性退化65% similar Unverified负向约束通过明确排除不期望的输出收窄概率空间，与正向指令同等重要，可减少模型创造性发挥的偏差64% similar Unverified结构化、类型强约束的工具响应可以显著降低模型在解析阶段产生误解的概率62% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/690911

API

curl https://kongchang.com/api/v1/knowledge/claims/690911

MCP

get_claim(id=690911)