7.1 为什么需要 RL 后训练：从可复现到可对齐#

预训练赋予模型语言建模能力、监督微调（Supervised Fine-Tuning, SFT）使其复现示范回答，而强化学习（Reinforcement Learning, RL）后训练进一步优化那些无法写成逐 token 监督标签的目标，人类偏好与答案正确性，因为这类目标只能通过评分、反馈、更新的迭代过程逼近，而非逐字模仿一份范本。