Unverified50% confidenceTradeoffExact time
PPO 需要同时维护策略模型、参考模型、奖励模型和价值模型，对 70B 参数模型意味着需同时加载约四倍模型参数，显存开销巨大
1
Sources
50%
Confidence
Long-term
Relevance
8/28/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedPPO在RLHF场景下需要同时维护策略模型、参考模型、奖励模型和价值模型四个神经网络78% similarUnverifiedPPO用于语言模型对齐时涉及四个需要同时维护的模型实例：策略模型(Actor)、冻结的SFT参考模型、奖励模型和评价模型(Critic)78% similarUnverifiedRLHF需要同时维护策略模型、参考模型、奖励模型、价值模型四个副本，显存占用庞大且训练不稳定67% similarUnverified大模型选型需综合权衡模型参数量、推理速度与授权协议67% similarUnverified中等参数量级模型可在单卡或双卡消费级/专业级GPU上运行，同时保留接近顶级模型的推理能力，是性价比之选66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/810416API
curl https://kongchang.com/api/v1/knowledge/claims/810416MCP
get_claim(id=810416)