因此，我们可以把后训练理解为对模型输出分布的重新塑造。本文重点讨论三种后训练方法： 监督微调（Supervised Fine-Tuning，SFT）：在预先准备好的标准答案上学习； 强化学习（Reinforcement Learning，RL）：从当前模型的输出中采样，再根据奖励优化； 在线策略蒸馏（On-Policy Distillation，OPD）：由学生生成轨迹，再由教师在学生实际访问的状态上提供逐 token 指导。
2.日志详情抽屉 日志列表保持轻量；点击任意一行，右侧滑出详情抽屉，按需加载全字段。
技术报告还提到一个容易踩的坑：K3 以“保留思维历史”（preserved thinking history）模式训练，harness 必须把完整的前序 assistant 消息连同推理内容与工具调用一并回传，中途丢弃或从别的模型切换过来，输出会不稳定。
让我们来看看 AI 编程在实际中长什么样。Karpathy 的亲身描述 Karpathy 在他那条著名的推文里详细描述了自己的 VibeCoding 工作流： 他用 Cursor 这个代码编辑器里内置的 AI 助手。
落地路线如下： 第一，对现有 Pandas 代码进行类型优化。这是投入产出比最高的优化，通常能将内存占用降低 50% 以上，且代码改动最小。