已验证75% 置信事实精确时间
GFlowNet训练的目标是让生成对象的概率分布正比于奖励函数，而非最大化单一期望奖励
3
来源数
75%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证RL训练通过策略梯度等方法将概率质量从普通输出重新分配到优质输出，并不创造全新能力76% 相似待验证GFlowNet将生成过程建模为有向无环图（DAG）上的流动问题，通过训练使流量守恒，以正比于奖励的概率采样到不同终态73% 相似已验证LLM在训练时通过最大化下一个Token的预测概率来优化参数，模型学到的是训练语料的统计分布而非人类的审美判断力72% 相似已验证奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数70% 相似已验证RLHF通过收集人类偏好评分训练奖励模型，再用PPO等强化学习算法微调语言模型，但奖励模型可能被对抗性输入欺骗，且无法穷举所有有害请求表达变体67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/990714API
curl https://kongchang.com/api/v1/knowledge/claims/990714MCP
get_claim(id=990714)