待验证50% 置信观点精确时间
persona post-training 通常属于监督微调（SFT）或偏好对齐（如 RLHF、DPO）的特化变体，更关注模型输出的一致性而非能力上限
1
来源数
50%
置信度
长期有效
时效性
2026/10/4
首次发现
来源
涉及实体
相关事实
待验证「后训练」（Post-training）是预训练完成后的对齐与能力强化阶段，通常包括SFT、RLHF及基于过程奖励模型的强化学习（如GRPO、DAPO）73% 相似已验证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73% 相似待验证跨模型引用行为差异的根源包括预训练语料差异、SFT数据集差异和RLHF阶段人类标注者群体差异73% 相似待验证预训练和SFT只提供正向监督，而DPO及RL相邻技术提供负向监督的杠杆，能降低错误序列的概率72% 相似待验证点版本升级通过监督微调（SFT）、强化学习人类反馈（RLHF）或直接偏好优化（DPO）等后训练技术进行，成本低于全新预训练71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/973248API
curl https://kongchang.com/api/v1/knowledge/claims/973248MCP
get_claim(id=973248)