360智脑开源Light-R1！1000美元数学上首次从零超越DeepSeek-R1-Distill
2B 模型，以及全部训练数据、代码。仅需 12 台 H800 上 6 小时即可训练完成，从没有长思维
SFT
如何提升预训练LLMs：从零打造到微调优化的全攻略
文章介绍了在现有预训练模型基础上进行微调的方法，包括监督式微调、偏好对齐方法（如基于人类反馈的强化学习和直接偏好优化）、单体偏好优化等，强调了其在提升模型实用性和适应特定任务中的优势。