Unverified50% confidenceFactExact time

一个典型的后训练流水线是：预训练 → 监督微调（SFT）→ 偏好优化（RLHF / DPO / GRPO）

1

Sources

50%

Confidence

Long-term

Relevance

8/28/2026

First Seen

Sources

后训练技术全解析：SFT、PPO、DPO与GRPO原理及选型指南

Related Entities

后训练concept SFTconcept RLHFconcept

Related Claims

Verified从预训练检查点到可商用产品需经历监督式指令微调（SFT）和基于人类反馈的强化学习（RLHF）两个后训练阶段72% similar Unverified后训练优化包括指令微调、RLHF或DPO策略调整、系统提示词工程改进及工具调用和多模态融合能力强化71% similar Verified大模型训练经历三个核心阶段：预训练、有监督微调（SFT）和偏好对齐71% similar UnverifiedRLHF和DPO等对齐技术的效果高度依赖预训练基础质量，预训练阶段未习得的能力几乎无法通过后续对齐补救68% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/810413

API

curl https://kongchang.com/api/v1/knowledge/claims/810413

MCP

get_claim(id=810413)