后训练综合问答
R1 为什么需要 Cold-start SFT？
原题RLVR 真的"学会推理"了吗？（谨慎回答）
原题Overthinking 是什么？怎么控制？
原题Token-level reward 和 Sequence-level reward 区别？
原题DPO 变体（ORPO/KTO/SimPO/Online DPO）分别解决什么？
原题PRM 训练数据如何构造？
原题GRPO 中 G 取多少合适？
原题为什么 R1 训练不能先 GRPO 再 DPO？
原题RLHF 训练中出现 reward collapse 怎么诊断和处理？
原题Online DPO 相比 Offline DPO 的代价是什么？
原题
暂无题目