待验证50% 置信基准精确时间
RLDS在ScienceWorld上每步墙钟时间比标量GRPO减少10.9%，原因是长轨迹摊薄了反思与评分的固定开销
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
待验证GRPO 相比传统RLHF降低显存占用约40%63% 相似待验证RLDS在ScienceWorld上提升+11.5分（95%置信区间[+9.8, +13.3]），在FrozenLake上提升+9.8分（[+7.0, +12.8]）63% 相似待验证研究表明当ReAct循环超过10步时，模型的任务完成率会出现显著下降63% 相似待验证从基于 glibc 的镜像迁移到 Alpine（musl）后，应用可能出现 10% 到数倍不等的性能下降63% 相似待验证据OpenAI 2024年初的技术报告，通过在RLHF数据中标注谄媚行为并给予负奖励，GPT-4后续迭代的无条件附和率有所下降61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/946125API
curl https://kongchang.com/api/v1/knowledge/claims/946125MCP
get_claim(id=946125)