畴昔一段时分里，在围绕大模子推理能力增强的探究中，SFT 和 RL 是两类中枢后窥探范式 —— 前者踏实敛迹快，能高效接纳高质地推理数据；后者更具探索性，有望推动模子兑现复杂推理和散播外泛化。 但在实质窥探中，这两种信号却难以灵验会通，现存责任大多仅停留在 "把两个 loss 混在沿路" 的层面。 为搪塞这一挑战，探究团队忽视了DYPO（Dynamic Policy Optimization） 动态战略优化轮番。 中枢念念考在于：既然 SFT 和 RL 的学习信号统计性质自然不同，合伙优化要如...