Agent 学习与策略优化SFT、偏好优化与 RL 怎么衔接?本页总览SFT、偏好优化与 RL 怎么衔接?Agent 学习与策略优化中级学习与策略优 题目 SFT、偏好优化与 RL 怎么衔接? 参考答案 点击展开参考答案 SFT与强化学习的衔接节奏取决于能力目标、奖励可靠性和退化监控,不存在固定轮次。 追问方向:可继续讨论KL、PPO-ptx、replay、奖励漂移和回归集设计。