Unverified50% confidenceOpinionExact time
研究者认为该问题很可能是当前主流强化学习训练范式（如RLHF、RLEF）下的系统性副产品，而非个别厂商的工程失误
1
Sources
50%
Confidence
Long-term
Relevance
9/29/2026
First Seen
Sources
Related Entities
Related Claims
Verified当代前沿模型的训练方法包括RLHF（基于人类反馈的强化学习）及其后继者RLAIF和过程奖励模型（PRM）80% similarUnverified被对比的jev架构采用并行采样，通过RLCD（对比蒸馏强化学习）训练，输出置信度分布和schema选择79% similarVerified传统RLHF需要先训练奖励模型，再用PPO等强化学习算法优化，流程复杂且不稳定78% similarUnverified近期研究表明RL（尤其是RLVR）并没有给模型注入大量新知识，而更像是激发和对齐预训练阶段已具备的能力77% similarUnverifiedRLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救77% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/958409API
curl https://kongchang.com/api/v1/knowledge/claims/958409MCP
get_claim(id=958409)