待验证50% 置信事实精确时间
对比基线（如仅用目标数据、简单数据混合等），DFQI在策略回报和稳定性上均表现出优势。
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
待验证理论分析表明，在一定的正则条件下，DFQI的目标Q函数估计和策略价值收敛速率与仅使用目标数据的估计器相当，同时能有效利用源数据降低方差。76% 相似待验证作者在平稳折扣环境下建立了DFQI的目标估计和策略学习的统计保证，覆盖同质和异质转移核两种情形。72% 相似待验证直接偏好优化（DPO）表明，在特定奖励结构下，RL目标可以等价地转化为对某种目标分布的似然最大化，从而绕开显式的奖励模型和策略梯度。70% 相似待验证DPO利用策略模型与参考模型的对数概率差作为隐式奖励，使模型在保持与参考模型接近的同时提高对更优回答的生成概率。69% 相似待验证在多个模拟环境中，当目标数据有限时，DFQI通过迁移源信息显著提升了策略学习性能。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129575API
curl https://kongchang.com/api/v1/knowledge/claims/1129575MCP
get_claim(id=1129575)