10步优化超越强化学习，仅需1条未标注数据！后训练强势破局 上午8时 2025/06/05 作者 新智元 化，就能显著提升大模型在推理任务上的表现，甚至超越依赖大量数据和复杂奖励机制的强化学习（RL）。EM
