监督微调（SFT）
使用人工标注的对话数据集（如1M条"用户-助手"对话）继续训练模型。

标注员遵循指导原则编写理想回答，使模型学习助手的回应风格。

示例对话格式：
[系统] 你是一个有帮助的AI助手…
[用户] 巴黎必看的前五大地标？
[助手] 埃菲尔铁塔、卢浮宫…

强化学习（RL）
验证性领域（数学/代码）：通过生成多个解决方案，选择最优路径进行训练（如DeepSeek-R1模型）。

非验证性领域（创意写作）：使用人类反馈强化学习（RLHF），训练奖励模型模拟人类偏好。

结果：模型发展出类人的思考链（如"让我再检查一遍计算…"），显著提升复杂问题解决能力。

关键认知特性
幻觉问题

成因：模型基于统计模式生成文本，而非真实知识库。

缓解方案：自我验证机制（如Llama3的事实性检查）、工具调用（网络搜索/代码执行）。

思维过程

推理模型（如GPT-4o）通过强化学习发展出类人思考链：
“设每个苹果价格为x，则3x + 22 = 13 → x=3。让我用另一种方法验证…”*

计算局限

Token窗口限制：需分布式思考（如分步计算而非单步求解）。

拼写障碍：因token化处理，直接字符操作较困难（需借助代码解释器）。

实践建议
工具调用：对数学/计数任务使用代码解释器，对事实查询启用网络搜索。

提示工程：复杂问题明确要求分步思考（“请逐步分析”）。

模型选择：

通用任务：GPT-4/Claude

复杂推理：DeepSeek-R1/GPT-4o

本地部署：Llama3/Mistral

技术前沿
多模态：原生支持文本/图像/音频的统一token化处理。

智能体系统：长时程任务规划与自我修正能力。

在线学习：突破当前静态参数限制，实现持续知识更新。