大模型的后训练阶段，很多人都纠结一个问题：到底是用监督微调（SFT），还是强化学习（RL）？SFT 简单高效，但能力上限不高；RL 能力强，但训练又慢又不稳。尤其是在文本分类这个场景，RL 表现一直不如人意。

训练 模型 gta 范式 emnlp 2025-09-23 14:51  8