待验证50% 置信事实精确时间

RLVR的奖励信号质量依赖任务难度分布，任务太易会奖励饱和梯度消失，任务太难会奖励稀疏，两者都导致训练停滞

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

VICO框架：让视觉环境与视觉语言模型协同进化

涉及实体

相关事实

待验证当任务成功率趋近于零时，RLVR 因缺乏成功样本而失效，无法提供有效的优化梯度信号79% 相似待验证奖励函数设计中稀疏奖励容易让训练停滞，引入距离缩短等密集奖励信号能加速收敛77% 相似待验证低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化72% 相似待验证训练器与推理引擎之间的数值不一致（train-inference mismatch）是导致RL训练不稳定、策略退化的常见隐患72% 相似已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990695

API

curl https://kongchang.com/api/v1/knowledge/claims/990695

MCP

get_claim(id=990695)