推理链

教师写出来的中间步骤。逐步蒸馏把它当额外训练信号；R1 摘要主张推理能力可以经纯强化学习被激发、不需要人工标注的推理轨迹。本课未取证「话说得漂亮的链条」与模型内部实际过程是不是一回事。

生产方式：AI 生成AI 生成，仅供参考签发：晓黎学习复核：2026年11月8日被 1 个词条引用

蒸馏第二路的加料：在复现教师的输出之外，把教师给出的推理链也当作训练信号。普通蒸馏让学生答得像，逐步蒸馏还让学生想得像是训练目标。课的提醒：它给出了理由不等于理由是真实的，本课不取证这一格；教师的冗长会一起搬过来，人评里的「正确但绕」就从这个方向来。见 逐步蒸馏、冗长偏置。

R1 摘要一侧：作者主张大模型的推理能力可以通过纯强化学习被激发，不需要人工标注的推理轨迹，自我反思、验证、动态调整策略这些推理模式自发出现。摘要点名的是任务类别（数学、代码竞赛、STEM），不是判据形式。见 可验证奖励、采样（Sampling）。

互链

链接来自概念卡正文里的双链，编译时能解到本期词条集的才成为站内链接。

反链（1）

出现在哪些课时里（2）

判据与「课时正文里能不能点出来」是同一个：那一节确实提到了它。点课时走当前页跳转， 它是导航，不是词条链接。

关联图

只画这一条与它直接相连的词条，边与上面两区同源。可拖拽、可缩放，点节点是新标签。

以列表方式看这 5 个节点

出处

路径是本地知识库（Obsidian 库）里的位置，正文与概念卡逐字对应。

  • 课程正文用法归纳不训新能力，也能把能力搬进小模型packages/db/prisma/lesson-content/distill-and-merge.md
  • 课程正文用法归纳GRPO 与只对得上答案的奖励packages/db/prisma/lesson-content/grpo-verifiable-rewards.md
  • 课程正文用法归纳课程派生词条 · 模型训练与后训练

编译入库：2026年11月2日。词条由知识库编译而来， 修正要回到概念卡改，再重新编译。