在一组“24 点”实验中，规则变化后，强化学习（RL，即让模型通过试错和结果反馈调整行为）准确率提高 3.5%，监督微调（SFT，即用标准答案示范训练模型）却下降 8.1%；仅替换牌面颜色，RL 提高 17.6%，SFT 下降 9.9%。这组结果值得关注：训练目标是否指向“结果正确”，正在影响模型能否迁移到新情况。
这是什么
研究把训练时的 J、Q、K 都设为 10，测试时分别改成 11、12、13；另一组实验还把黑桃、梅花换成红桃、方块。SFT 更像记住“遇到这些牌就按 10 算”，RL 则因持续根据答题成败调整策略，更容易保留可迁移的解题习惯。
常见 RL 算法包括 GRPO、PPO 和 DPO。GRPO 让同一道题的多次作答互相比较；PPO 额外设置逐步评估机制；DPO 直接学习好答案与差答案的偏好。实验说明的是一种倾向，不代表 RL 在所有任务中都能举一反三。
行业怎么看
我们认为，这给 AI 应用训练提供了一个明确判断：如果产品需要处理规则变化、代码调试等开放任务，仅靠模仿标准答案，很难避免对表面模式的依赖；围绕可验证结果设计训练闭环更贴近实际需求。
风险也同样明确。RL 训练更贵，过程可能剧烈波动，奖励设计错误还会让模型偏离真实目标。工程上还需控制出题模型与判分模型之间的数值偏差，否则微小概率差异可能在长回答中不断累积。因此，RL 与 SFT 并非替代关系，前者通常仍需要后者先建立基础理解和答题格式。
对普通人的影响
对企业 IT：企业部署 AI 时，训练或选型不能只看演示效果，还应测试规则、输入和流程发生变化后的稳定性，同时核算奖励验证与持续训练的成本。
对个人职场：重复套用固定模板的工作更容易被自动化；需要判断结果、迁移经验和排查异常的任务，则会因模型能力提升而出现新的协作机会。
对消费市场：面向消费者的智能助手将逐步从回答相似问题，转向处理个性化规则和多步骤任务，但可靠性与一致性仍需实际场景检验。