其他

监督微调（SFT）

时间轴 (近 90 天)

11月4日

研究比较了标准方法，包括监督微调（SFT）、GRPO和梯度上升遗忘学习。

待验证50%

11月4日

当不良行为是宽泛的、无法通过针对性SFT解决时，PEARL获益最大。

待验证50%

研究比较了标准方法，包括监督微调（SFT）、GRPO和梯度上升遗忘学习。

当不良行为是宽泛的、无法通过针对性SFT解决时，PEARL获益最大。