待验证50% 置信解决方案精确时间

Iris采用SFT-RL climbing策略，将监督微调和强化学习交替进行，RL阶段发现的高质量行为轨迹回传给SFT阶段作为新监督信号

1

来源数

50%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

Iris搜索智能体：反向数据构建与SFT-RL交替训练实现多跳推理突破

涉及实体

Irisproduct SFT-RL climbingconcept

相关事实

待验证Iris在RL阶段将奖励判断器和观察摘要器直接部署在训练集群内部以提高训练效率74% 相似待验证后训练通常涵盖监督微调（SFT）、强化学习对齐（RLHF/RLAIF）以及领域适配微调，视觉推理模型还涉及视觉指令微调69% 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64% 相似待验证RLHF训练中会加入KL散度惩罚项，防止模型偏离SFT阶段学到的基础行为太远63% 相似已验证从预训练检查点到可商用产品需经历监督式指令微调（SFT）和基于人类反馈的强化学习（RLHF）两个后训练阶段63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/915227

API

curl https://kongchang.com/api/v1/knowledge/claims/915227

MCP

get_claim(id=915227)