“在某个样本中，模型第1 轮思路清晰，第 2 轮开始胡言乱语，第 3 轮直接输出一堆乱码。训练到后期，模型性能像过山车一样垂直下坠。”

代码 模型 rl simpletir 可执行代码 2025-09-11 19:45  4