一、技术背景：RL训练为何成为推理模型新范式？ 传统大模型训练依赖监督微调（SFT）和人类反馈强化学习（RLHF），但存在两大局限：其一，标注数据的质量和规模受限于人力成本；其二，人类反馈难以覆盖复杂推理场景……
