待验证50% 置信事实精确时间
CRN v2 的训练流程分两步：先做监督微调（SFT），再做无参考版 DPO，使用了 83,400 对错误-纠正样本
1
来源数
50%
置信度
长期有效
时效性
2026/9/16
首次发现
来源
涉及实体
相关事实
待验证点版本升级通过监督微调（SFT）、强化学习人类反馈（RLHF）或直接偏好优化（DPO）等后训练技术进行，成本低于全新预训练68% 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67% 相似待验证优先经验回放（PER）通过为高TD误差的样本赋予更高的采样概率，将训练资源集中在模型最难处理的经验上65% 相似待验证Executive Order 14110以训练所用浮点运算量（FLOPs）作为触发审查义务的量化阈值，超过10²⁶次FLOPs训练量的模型即需强制报备62% 相似待验证一个典型的后训练流水线是：预训练 → 监督微调（SFT）→ 偏好优化（RLHF / DPO / GRPO）62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/924663API
curl https://kongchang.com/api/v1/knowledge/claims/924663MCP
get_claim(id=924663)