专题

权重训练

监督、偏好、参数高效适配与奖励优化。

要解决的问题如何积累可迁移能力并保留可验证的发布边界？

检索别名：learning-training

BLUEPRINT局部蓝图

01 输入

→

02 处理机制

→

03 输出与证据

EXPLORE THIS BRANCH

继续深入 · 6 个方向

通过合格示例训练稳定格式、抽取与工具行为，并保持与实际消息模板和工具协议一致。

将LoRA理解为参数化方法而非训练目标，明确基座、adapter与服务配置的组合关系。

用量化基座降低训练资源需求，同时按序列、batch、优化器与实际硬件估算内存。

从同任务的可靠偏好对学习取舍，防止标签把自信、篇幅和讨喜误作正确。

在可检验任务中优化多步行为，把reward与真实结果的偏差、投机和资源成本纳入验收。

用教师产生候选并独立筛选，同时检查教师正确性、数据训练权和迁移后的净收益。

这里分别展开训练目标、参数方式和能力迁移，避免把SFT、LoRA、DPO与GRPO当成同一维度的互斥选项。SFT学习监督行为，DPO学习偏好，RL优化奖励，GRPO是RL中的算法选择；LoRA与QLoRA改变适配和资源路径，蒸馏则利用教师输出或反馈训练学生。

阅读时先确定数据和目标，再看参数与算力，最后核独立验证及部署限制。所有方法都可能放大错误标签、未来泄漏或奖励漏洞。论文和框架提供实现入口，不能直接承诺企业收益；完整任务的严重错误、成本和回归结果决定是否晋升。

PRIMARY SOURCES

来源按研究截止日整理。官方文档说明能力和约束，代码只证明对应版本，论文与讲座不自动证明生产效果。资料截止：2026-10-15。