Reinforcement Fine-Tuning（强化微调）

强化微调（RFT）通常指在预训练语言模型上，使用强化学习算法（如PPO、GRPO）根据奖励函数优化模型输出。与监督微调不同，RFT不依赖标注答案，而是通过奖励信号引导模型生成更符合人类偏好或任务目标的内容。RLHF和RLVR是典型代表，广泛应用于对齐、推理和代码生成等任务。