为什么 DeepSeek-V4-Flash-0731 的后训练如此有效？

摘要

DeepSeek-V4-Flash-0731 的后训练效果好，关键在于把预算集中在强化学习而非简单微调：团队用大规模合成数据构建指令集，配合多目标奖励模型做迭代。相比传统 SFT，这种"小模型筛选、大模型生成"的管线大幅提升了样本利用率和推理表现。对开源社区来说，这套后训练方案比模型权重本身更有工程参考价值。

近 7 天热度