待验证50% 置信事实精确时间
在线强化学习（on-policy RL）要求智能体在训练过程中不断与环境交互，交互成本随训练规模线性增长。
1
来源数
50%
置信度
长期有效
时效性
2026/10/21
首次发现
来源
SAPD：无需环境交互，从离线轨迹高效训练LLM智能体
rss2026/10/20
涉及实体
相关事实
待验证行为克隆存在分布偏移问题，DAgger等改进算法通过让学习中的智能体与专家持续交互来扩充训练数据75% 相似待验证实时在线学习要求智能体在连续流动的时间中同步完成感知、决策与参数更新，与大语言模型训练-推理分离的范式形成对比74% 相似待验证在线强化学习面临探索-利用权衡问题，Agent需在利用已知有效策略和尝试新行为之间取得平衡73% 相似待验证在Agent语境下，强化学习（RL）主要用于优化决策策略，常用方法包括RLHF和DPO，相比监督微调能通过试错探索更优路径，但面临奖励设计困难、样本效率低、训练不稳定等挑战73% 相似待验证增量学习（Incremental Learning）或在线学习（Online Learning）指模型随新数据持续输入不断更新自身参数，而非一次性训练完成71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1079158API
curl https://kongchang.com/api/v1/knowledge/claims/1079158MCP
get_claim(id=1079158)