为什么先做 Step-level SFT 再做 GRPO 可能更稳定？

知识专题：强化学习与奖励题目类型：原理机制技术难度：进阶相关面经：1 篇

暂无参考答案

未标记

本题目录

相关面经

1 篇

唯品会

NLP 算法工程师

2026-07-18实习一面

查看原面经 →

为什么 Step-level SFT 之后再进行 GRPO，通常比直接从基座模型开始做 GRPO 稳定