Falcon 团队工程师发问：单步决策用 RL 优于 SFT 吗

Falcon 研究工程师 Antoine Chaffin 提出，若决策是单步（single-step）过程，强化学习相比直接对教师标签做监督微调（SFT）难有明显优势。他随即自答称，除非这不是真正的单步过程，RL 的价值主要来自多步或序列决策中的探索与信用分配。这是他给出的后训练方法选择讨论点。