待验证50% 置信事实精确时间
JHiMA-WebRL训练分两阶段：第一阶段用强教师模型构造结构化子任务监督信号并微调两个模块；第二阶段将GRPO扩展到双角色场景，通过分层rollout分组和角色特定优势估计在WebArena环境中联合优化两个模块。
1
来源数
50%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证Skill-Uni采用两阶段训练策略：第一阶段为热身指令微调，第二阶段采用GRPO强化学习算法。70% 相似待验证LLaVA的训练分为两个阶段：第一阶段是预训练对齐（冻结视觉编码器和语言模型，仅训练投影层），第二阶段是指令微调（解冻语言模型进行端到端训练）68% 相似待验证datavorous的训练分为两个阶段：第一阶段是对高尔夫化JavaScript进行微调，第二阶段是让模型对约4万个样本进行自我美学评分并基于这些评分进行强化学习（自评RLHF）。65% 相似待验证针对代码任务专项强化训练的模型在系统操作场景中表现显著优于通用对话模型65% 相似待验证Agima 的训练分为两个阶段：第一阶段用监督微调（SFT）将策略与世界模型统一到同一个全能模型中；第二阶段用智能体强化学习（RL）教模型在想象出的未来上进行推理并用于规划。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134655API
curl https://kongchang.com/api/v1/knowledge/claims/1134655MCP
get_claim(id=1134655)