而政策面临一个物理上无法回避的事实——一旦权重上了互联网，它就在互联网上了。更微妙的是同期发生的另一件事。
也就是说，在中东和欧洲两个方向，欧洲国家的策略是试图形成联动，以此紧紧拉住美国。
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。
《红楼梦》第九九回:“便有几处揭报,上司见 贾政 古朴忠厚,也不查察。”《廿载繁华梦》第四回:“关里一个同事,姓 马 的唤做 子良 ,号 竹宾 ,现当关里巡河值.