31.2 SFT 与强化学习后训练实战#

把一个开源基座模型，先用监督微调（SFT）变成会听指令的助手，再用强化学习（DPO / PPO / GRPO）做偏好对齐或"推理 RL"，直至能低成本复现 DeepSeek-R1 式的"顿悟"，这是当前最前沿、最能出成果的实战方向。