大模型的后训练阶段，很多人都纠结一个问题：到底是用 监督微调（SFT），还是 强化学习（RL）？SFT 简单高效，但能力上限不高；RL 能力强，但训练又慢又不稳。

1. 引言强化学习（Reinforcement Learning, RL） 是一种让智能体（Agent）通过与环境交互学习最优策略的机器学习方法。