一、后训练技术演进：从SFT到RL的范式之争 在大模型后训练阶段，监督微调（SFT）与强化学习（RL）构成两大核心范式。SFT通过注入高质量离线数据（Off-policy）实现快速知识迁移，但其静态数据分布特性导致模型泛化……
