SFT、RLVR 与 OPD 在 LLM 后训练中的协同效应研究
原文标题：Understanding the Synergy between SFT, RLVR, and OPD in LLM Post-Training
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文系统研究了 LLM 后训练中监督微调（SFT）、可验证奖励强化学习（RLVR）与同策略蒸馏（OPD）三阶段的相互影响。作者用 Qwen3 在数学与科学推理任务上做受控实验，发现 OPD 效果取决于师生模型兼容性而非教师规模，且前一阶段会重塑后续阶段的学习界面。通过教师适配与学生预热，OPD 平均准确率从 29.2% 提升到 43.8%，相对提升约 50%。
- 问题
- SFT、RLVR、OPD 多阶段后训练通常被孤立设计评估，阶段间相互影响不明。
- 方法
- 用 Qwen3 在数学与科学推理上做受控实验，分析九组师生配对及教师适配、学生预热对 OPD 的影响。
- 结果
- 教师适配加学生预热使 OPD 平均准确率从 29.2% 提升到 43.8%，相对提升约 50%。
- 影响
- 设计后训练流水线时不能逐阶段单独调优，前一阶段可能削弱后一阶段，需整体规划。
深读 · 结论先行AI 生成展开看要点与影响 ↓
后训练三阶段非独立：教师适配+学生预热使OPD准确率从29.2%升至43.8%。
- •用Qwen3在数学与科学推理上做受控实验，覆盖2倍到53倍参数比的九组师生配对
- •OPD效果取决于师生兼容性，而非教师规模本身
- •短暂SFT预热改善后续OPD，但经RLVR强化的学生会从同一教师蒸馏时回退
- •用RLVR适配教师可提升下游OPD准确率，幅度与其增加的能力成正比
- •同等准确率下，OPD为下游RLVR留下的初始化优于SFT，且差距随RL算力扩大
为什么重要：多阶段后训练管线通常分阶段独立设计，该结果提示前一阶段可能削弱后一阶段，对正在搭建SFT+RL+蒸馏流水线的团队有直接的排期与选型影响。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。