多模态大模型后训练陷入“SFT陷阱”？PRISM三步法让RL不再白忙一场
研究发现SFT后直接上RL，模型性能可能先降后升，RL在替SFT还债。PRISM提出SFT→分布对齐→RL三阶段，通过混合专家判别器纠正感知与推理漂移，实验显示平均提升4-6个点。
排序
SFT只会记忆？最新研究颠覆认知：泛化能力由优化、数据与模型三方共同决定！
最新研究重新审视SFT泛化，发现泛化并非固有属性，而是受优化动态、训练数据和模型能力共同影响的条件性现象，本文深度解读三个关键因素的实验证据。