待验证50% 置信事实精确时间
L2RR学习一个源提示上的离散采样分布，通过优化一个双层目标：最大化留出目标数据集上的准确率，同时惩罚那些提供很少增量学习信息的rollout。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
待验证L2RR方法的核心思想是：目标数据所有者可以提供来自小型留出目标集的有限聚合反馈（如准确率），而无需暴露目标提示或rollout轨迹。76% 相似待验证L2RR在六个数学推理基准和三种模型规模上进行了实证评估，结果表明L2RR提升了目标域性能，同时提高了rollout效率。76% 相似待验证RDR 中的蒸馏步骤指用强化学习探索得到的高质量样本去监督微调一个更小或更快的模型，把强化学习阶段学到的分布压缩进高效推理路径。74% 相似待验证在RLHF和生成模型微调中，算法设计应直接针对分布匹配目标，利用采样遗憾的对数级收敛特性构建更高效的训练流程。72% 相似待验证模仿学习中数据质量和演示一致性直接决定策略的表现70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129356API
curl https://kongchang.com/api/v1/knowledge/claims/1129356MCP
get_claim(id=1129356)