待验证50% 置信观点精确时间

近期研究表明RL（尤其是RLVR）并没有给模型注入大量新知识，而更像是激发和对齐预训练阶段已具备的能力

1

来源数

50%

置信度

长期有效

时效性

2026/7/7

首次发现

来源

只训练一层Transformer就能媲美全参数RL训练？

hackernewshackernews2026/7/2

相关事实

待验证强化学习训练比监督学习更不稳定，将NVFP4激进量化引入RL训练会进一步放大固有不稳定性75% 相似待验证当前大多数LLM智能体并非直接使用RL训练，但其在RLHF阶段接受的奖励信号塑造了'讨好用户'的倾向73% 相似已验证当代前沿模型的训练方法包括RLHF（基于人类反馈的强化学习）及其后继者RLAIF和过程奖励模型（PRM）72% 相似待验证RLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救71% 相似待验证经过强化学习（RL）训练的模型在Agent任务中表现优于仅经过SFT的模型70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/196759

API

curl https://kongchang.com/api/v1/knowledge/claims/196759

MCP

get_claim(id=196759)