待验证50% 置信事实精确时间
多目标直接偏好优化（MODPO）引入了「目标权重」参数，通过调节权重可在多个竞争目标之间形成连续的权衡谱线
1
来源数
50%
置信度
长期有效
时效性
2026/9/24
首次发现
来源
涉及实体
相关事实
已验证PPO（近端策略优化）通过裁剪目标函数限制每次策略更新的步长，成为连续控制任务的事实标准70% 相似待验证PPO支持多环境并行采样，并通过mini-batch更新机制允许对同一批数据进行多次梯度更新（通常3-10个epoch），提升样本效率66% 相似待验证MPO通过引入KL散度约束来控制策略更新幅度，相比PPO或SAC在高维连续控制任务中表现出更好的稳定性和样本效率65% 相似待验证SAO的Single-rollout（单轮次采样）特征意味着在每次策略更新时采用更精简的采样与轨迹生成机制，减少了对多次rollout的依赖65% 相似待验证GRPO及相关策略梯度方法把一次完整的多轮交互轨迹压缩成一个标量奖励再送入策略更新，在处理复合技能任务时会造成有损的信用分配63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/946067API
curl https://kongchang.com/api/v1/knowledge/claims/946067MCP
get_claim(id=946067)