因此，我们可以把后训练理解为对模型输出分布的重新塑造。本文重点讨论三种后训练方法： 监督微调（Supervised Fine-Tuning，SFT）：在预先准备好的标准答案上学习； 强化学习（Reinforcement Learning，RL）：从当前模型的输出中采样，再根据奖励优化； 在线策略蒸馏（On-Policy Distillation，OPD）：由学生生成轨迹，再由教师在学生实际访问的状态上提供逐 token 指导。
2.日志详情抽屉 日志列表保持轻量；点击任意一行，右侧滑出详情抽屉，按需加载全字段。
工艺报告还提到一个容易踩的坑：K3 以“保留思维历史”（preserved thinking history）模式训练，harness 必须把完整的前序 assistant 消息连同推理内容与工具调用一并回传，中途丢弃或从别的模型切换过来，输出会不稳定。
让我们来看看 AI 编程在实际中长什么样。Karpathy 的亲身描述 Karpathy 在他那条著名的推文里详细描述了自己的 VibeCoding 工作流： 他用 Cursor 这个代码编辑器里内置的 AI 助手。