经典时代的核心局限是。

阶段核心动作数据规模/类型优化目标关键技术Zero纯RL无SFT推理prompt（无标注CoT）验证RL自发涌现推理能力Dev1冷启动SFT+RL数千条人类风格CoT可读性+语言一致性Dev2继续推理RL复用推理prompt集强化数学/代码/STEM能力同Dev1 RL设置迭代Dev3拒绝采样+大规模SFT800K（600K推理+200K非推理）兼顾推理与通用/写作能力Rejection Samp

维度Helpful RMSafety RM数据规模数据来源DeepSeek-V3生成的两两对比response + Arena-Hard prompt格式模型生成response + 人工/规则标注safe/unsafe标注方式Pairwise比较（A vs B，5档判定后转为preference score）Point-wise二分类（safe/unsafe）消偏处理①位置偏差：4次交换A/B取

GPU 通过大量并发线程（组织在 thread block 中）执行计算（kernel）。流式多处理器 (SM) 是实际的执行单元（如 A100 有 108 个 SM），负责调度和执行分配给它的线程块 (thread block)。每个 SM 将线程块进一步划分为 warp（通常 32 线程/warp）。warp 是 GPU 的基本调度和执行单位：同 warp 内的线程高度同步，可直接协作（如执行

kaldi解码中问题排查和定位方法