Agent 场景中 SFT 和强化学习分别适合解决什么?
Agent 工程化与运行环境中级工程化与运行
Agent 场景中 SFT 和强化学习分别适合解决什么?
参考答案
点击展开参考答案
- SFT 用高质量轨迹教模型基本格式、工具协议、步骤模式和安全行为,稳定、样本效率高,但受示范覆盖限制。
- RL 根据环境或 verifier 奖励优化端到端结果,适合存在可验证反馈和多条策略路径的任务,但面临稀疏奖励、信用分配和 reward hacking。
- 合理流程通常先 SFT 建立可用策略,再用可验证奖励做 RL;若任务可由确定性分类器或工作流解决,不应为追求“Agentic”强行 RL。