SFT别急着接RL！你的多模态大模型可能一直在“带伤训练” PRISM团队 投稿 量子位 | 公众号 QbitAI 在多模态大模型（MLLM）的后训练中，行业普遍采用“先SFT，再RL”的两步范式。然而，香港科技大学（广州）、南洋理工大学、清华大学等机构的研究发现，SFT不仅未能为RL铺路，反而...

标题：SFT非必需！推理模型仅靠RL也能获得长思维链能力，清华CMU团队破解黑盒 清华、CMU和IN.AI团队研究发现，长CoT（思维链）的涌现与训练计算量增加有关，但其触发条件尚不明朗。他们通过SFT（监督微调）和RL（强化学习）两方面探究长CoT的机制和优化策略。 主要发现： 1. SFT非必需...