后训练范式与推理演进 (Post-Training & Reasoning Paradigm)
Source: 2026-09-21-xiaohongshu-xhslink-cn-o-9ATT3XnQUsf-9879f0b42d（来源未公开）
在大模型演进的第一幕中，行业竞争主要由预训练（Pre-training）与海量人类文本的 Scaling Laws 驱动。随着高质量公开互联网文本的消耗殆尽与模型边际知识密度的递减，大模型技术全面步入第二幕——后训练（Post-training）与推理时扩展（Test-time Compute）主导的全新范式。
1. 范式转移的根本驱动力
- 预训练的停滞与后训练的爆发：
- 预训练赋予模型“通识世界模型（World Model）”与语言表征，但无法解决复杂因果推导、长链逻辑验证与精准工具调用的可靠性瓶颈。
- 顶级团队将 80% 的算法与数据攻坚重心转移至监督微调（SFT）、强化学习（RL）以及过程奖励模型（PRM）。
- 合成数据与自博弈（Self-Play）闭环：
- 不再依赖昂贵且质量参差的人工标注，转向由高阶模型生成推理链路（Chain-of-Thought）、配合形式化编译器/验证器（Evals）自我纠错并自动筛选高质量合成训练样本。
- 测试时扩展（Test-time Scaling）取代单步前向传播：
- 在复杂决策与数学代码任务中，模型的智能上限不再单纯取决于参数量，而是取决于模型在推理阶段被允许消耗的“思考时间”与探索分支数量（如搜索树与回溯机制）。