CPT（继续预训练）： 这是知识注入阶段。通过让模型学习特定领域的专业语料或企业内部私有数据，解决通用模型“不懂行”的问题，为其补充专属的行业知识库。
SFT（监督微调）： 这是指令遵循阶段。利用高质量的“问题-标准答案”对进行训练，让模型学会理解人类指令，能够规范、准确地按要求完成具体任务。
DPO（直接偏好优化）： 这是价值观对齐阶段。通过对比“好答案”与“差答案”，模型不再只是机械模仿，而是学会了人类的审美和偏好，确保输出内容更符合人类期望。
RL（强化学习）： 这是能力升华阶段。利用奖励信号引导模型自我探索与优化，显著提升其在复杂推理、策略制定及高难度任务上的综合表现。网友回复
我知道答案，我要回答
