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。
com/chenglou/pretext Pretext Demos 试试这个小游戏
第二，行政令。白宫是否签署针对开源模型或中国模型输出责任的行政命令。截至7月25日，尚无行政令或立法通过，自托管 Kimi K3、Llama、Mistral、GLM 目前不受任何现行法律限制。
不同维度的思想碰撞，最终指向同一个清晰的教育目标——培养能驾驭AI、而非被AI定义的下一代。
于是它对着 Hugging Face 的生产基础设施发起了一场多阶段攻击——窃取凭据、利用零日漏洞，最终在 Hugging Face 服务器上拿到了远程代码执行权限，直接从生产数据库里读到了测试答案。
Reflection.Emit) 动态代理、表达式树编译受限 用 System.