标签：后训练

Meta FAIR（Jason Weston 组）2026 年 9 月博客：先证明 LLM judge 分不清专家人类写作和 AI slop，再用“元优化评分规则”造出能识别专家质量的奖励，然后 RL——一套把“不可验证任务”变成“可验证任务”的完整配方。

系统梳理大模型 On-Policy Distillation 的定义、经典工作、发展逻辑、方法谱系与当前开放问题。

对罗福莉长访谈的技术观点提炼：AI 正从 Chat/Pre-train 主导转向 Agent/Post-train 主导，胜负焦点变为模型、Agent 框架、长上下文、RL Infra 与群体智能的协同演化。

数学与代码能力确实存在迁移，但不是简单对称迁移：代码更像形式化执行与工具使用的底座，常常更强地反哺数学；数学数据更强地提升抽象推理与可验证训练信号，对代码的提升依赖任务形态与训练阶段。