统一训练规则融合预训练与强化学习

卡内基梅隆研究以MaxRL统一预训练、微调和强化学习，并发现混合数据常优于分阶段训练。

推荐理由：研究把MaxRL重写为对模型自身正确答案的似然训练，使文本、精选样本和强化学习数据可任意混合，有望减少阶段切换造成的能力遗忘。