文章探讨了LLM后训练中SFT与RL方法对遗忘问题的影响差异。研究发现SFT方法易导致灾难性遗忘，而RL方法能有效缓解这一问题。从优化逻辑看，SFT直接拟合下游任务数据分布，未覆盖原始任务时导致遗忘；RL优化过程更稳定，限制模型与原始模型的差异，更像"分布锐化"而非"参数空间改变"。这一发现对LLM微调策略选择具有重要指导意义。
论文：Retaining by Doing: The Role of On-Policy Data in Mitigating Forgetting链接：https://arxiv.org/pdf/2510.18874这篇paper讲的故事很有意思，说是LLM模型在后训练过程中，SFT和RL的方法相比，更加容易导致灾难遗忘。
这里我们明确一下具体使用的SFT方法和RL方法：
SFT方法
用专家模型来采样下游任务的text 轨迹，然后用supervised learning来更新LLM的权重。（注意啊，这里的SFT数据并没有包含原始的pretrain的数据）
RL方法
用GRPO之类的policy optimization方法来优化LLM在下游任务上的performance，具体的loss是一个task reward 加上 目前LLM和原始LLM的分布的KL loss。
作者通过实验发现RL的方法训练的LLM在原始任务上的forget现象较少，但是sft方法导致的原始任务遗忘现象比较明显。
这篇文章用公式分析了很多可能的理论解释。这里我们不推导任何公式，直接从逻辑思考上想一想这个事情。
首先我们要明白SFT和RL的优化方式的区别
SFT相当于一个纯behaviour cloning，给定在下游任务上的一个optimal text 轨迹的分布，我们直接让LLM来学习这个分布，那么当SFT数据的optimal text轨迹并没有cover 原始任务的时候，这样的优化方式必然会导致严重的遗忘问题，这点毫不意外。
打个比方，好比我们学会了骑自行车，现在我们给定了很多开汽车的数据，我们的优化目标是拟合开汽车的数据，那么当然会导致在骑自行车上的能力的退化，因为我们的目标并不包含要保持会骑自行车的能力。
那RL的优化方式区别是什么呢？
RL的优化，相当于让模型自己慢慢探索出来如何从原始任务学会解决下游任务。最关键的一点是RL的优化想要稳定，得要求模型优化的时候的变化要足够小。我们回想一下，为什么PPO加上一个advantage clip效果就会好很多？
RL的本质就是一个sampling based 的优化过程，我们有一个分布，采样得到的轨迹有的reward大，有的reward小，那么我们就增大采reward大的轨迹的概率，减小采reward小的轨迹的概率。这个过程中我们希望模型更新要足够稳健，不能过于激进。
打个比方，比如投资股票，如果看到某只股票突然猛涨或者猛跌就立马追涨杀跌，那么这样的策略大概率是很难稳定的获利的。所以PPO比之前的RL算法效果好的一个最本质的原因就是clip掉了那些有很大reward涨落的轨迹，让模型的优化更加稳定。
所以从这个角度看，RL这个算法天然地就会限制LLM模型后训练之后和之前的差别（更像是分布的锐化，而非参数空间的巨大改变），所以遗忘现象没有普通的sft严重也是很合理的事情了。所以哪怕不推理任何数学公式，我们也可以定性地预测出实验的结论。
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
 Open-AutoGLM人工审核机制设计原理与落地实践)
