1. SFT 和 RL 机器学习训练的区别： 1. 监督微调（SFT, Supervised Fine-Tuning） 定义： 在预训练模型（如基于海量文本训练的基座模型）的基础上，使用标注数据（输入-输出对）进行有监督的微调，使模型适应特定任务。 特点： 数据形式：输入（如用户提问） + 对应的理想输出（如人工标注的回答）。 目标：通过最小化预测输出与标注输出的差异（如交叉熵损失），让模型学会生成符合要求的回答。 优点：简单直接，适合学习明确的输入-输出映射。 局限：依赖高质量标注数据，无法学习更复杂的策略或长线…