已收录文章摘要，完整内容可前往原文阅读。
大模型的后训练里，SFT（监督微调）和 RL（强化学习）是两大主流路线。很多团队用得很随意：先 SFT 一把，再 RL 一把，当成同一条调优流水线上的两道工序，谁先谁后、能不能互相顶替，似乎无所谓。