先建立一个直觉：读万卷书 vs 上岗培训

想象两个人：

A 同学，寒窗苦读十多年，把图书馆里几百万本书全背下来了。天文地理、历史典故、数理逻辑、人情世故，样样都懂。但问题是——他从没跟人正经对话过，你问他问题，他说出来的话又臭又长、还经常跑题，甚至会说一些不合时宜的话。

B 同事，就是在 A 的基础上，接受了三个月高强度的”岗前培训”：学会了听懂老板的指令、按规范的格式汇报、知道什么时候该说重点、什么时候该闭嘴。入职后又经过反复的实战打磨，越来越像一个靠谱的职场人。

你觉得，A 和 B，谁更能帮你解决问题？

当然是 B。因为 A 只是”知道”，而 B 是”会做”。

预训练，就是那个”读万卷书”的 A——让模型海量学知识，掌握语言、事实和世界运行的规律。

后训练，就是那个”上岗培训”的 B——把模型从一个”什么都知道但不会好好说话的书呆子”，调教成一个”懂规矩、会办事、按你期望给答案”的专业助手。

🔑 一句话核心：预训练解决”知”，后训练解决”行”。一个决定模型”懂什么”，一个决定模型”怎么表现”。

什么是预训练：让模型”读万卷书”

预训练是所有大模型的起点，也是最烧钱的一步。

它在做什么？

预训练的任务听起来简单得有点傻——让模型海量文本里”猜下一个词”（技术上叫 next-token prediction）。

给它半句话：“今天天气真”，它要学会预测下一个字最可能是”好”（而不是”吃”或”跑”）。

就这么一个朴素的任务，配上几万亿、几十万亿个 token 的海量文本，模型通过不断”猜对下一个词”来调整自己内部的几十亿、几千亿个参数，最终把语言的规律、世界的知识、逻辑的模式，全部”压进”了这些参数里。

🏗️ 用工程语言说：预训练产出的是 Base Model（基础模型）。它的任务只有一个——最大化”猜对下一个词”的概率。

产出的模型长什么样？

Base Model 你要是一上来就问它，你会得到：

• 🗣️ 一个话痨——你说一句话它能接一百句，因为它在”续写”，不是在”回答问题”
• 🤔 一个不懂指令的家伙——你跟它说”用三句话总结”，它可能洋洋洒洒写三千字
• ⚠️ 一个可能有毒的偏科生——它学的是整个人类互联网，里面既有知识也有偏见、暴力、错误信息

一句话：预训练让模型”无所不知，但无法相处”。

预训练的三个特点

这也是为什么只有巨头玩得起预训练——它是一个资本密集型的活。

什么是后训练：让模型”上岗”

如果预训练是”把原料做成了一锅生米”，那后训练就是把它煮成熟饭、装盘、摆上桌。它是让模型从”Base”变成你能用的”Chat/助手”的关键一步。

后训练的三大核心手段：

1. SFT（监督微调）：先学会”有问有答”

收集大量”人类问题 → 理想回答”的高质量标注数据，让模型照着标准答案学。

这一步，模型学会了基本的”对话礼仪”——你问，它答；你让总结，它总结；你让写代码，它写代码。

🥣 打个比方：这是”岗前培训”，教会新人基本的业务流程和话术。

2. RLHF / RL（强化学习）：学会”按期望给答案”

光有标准答案还不够，因为”好答案”的标准五花八门。于是用奖励模型 + 强化学习，让模型自己去”试错”，答得好，给高分；答得差，打低分。反复迭代，直到模型学会了什么该说、什么不该说、什么样的答案更受欢迎。

🧠 这是最像”人类成长”的一步——不是死记硬背标准答案，而是在试错中学会了判断好坏的品味。

在 DeepSeek 这类以推理见长的模型里，这一步用的是 GRPO（群组相对策略优化） 等强化学习算法，专门用来驯出模型的推理能力（R1 就是靠这一步，从一个基础模型硬生生”逼”出了奥数级别的逻辑推理）。

3. 蒸馏 / 对齐：把”多个专家”装进一个模型

有些团队会把后训练分成多个专业的”小老师”（编程专家、数学专家、Agent 专家各练各的），最后用知识蒸馏把它们的本事合并进一个模型里——既要多才多艺，又不能让它们互相”打架”、忘掉彼此的本领。

后训练的三个特点

🎯 关键洞察：后训练正从”点缀”变成”主战场”。 早期大家觉得后训练只是”微调一下”让模型听话，但现在——它已经跟预训练平起平坐，甚至成了拉开差距的关键。

一张表看懂：预训练 vs 后训练

💡 一句话：预训练决定天花板，后训练决定你能摸到天花板多远。

最有力的证据：DeepSeek-V4-Flash-0731

理论说再多，不如看一个真实案例。7 月 31 日这个案例，几乎就是为”后训练的重要性”量身定做的。

发生了什么？

• 🤖 模型：DeepSeek-V4-Flash 正式版（0731）上线公测
• 🔗 架构：和 4 月 preview 完全一样——284B 总参数 / 13B 激活参数，CSA+HCA 注意力
• 🧬 参数量：一个字节都没变
• ✨ 变化：官方原话——“仅重新进行了后训练”（re-post-trained），加上原生支持 Responses API、适配 Codex

效果有多惊人？

一个激活参数只有 130 亿的轻量模型，靠”换了个后训练”，在自家 Agent 基准上，逼近甚至反超了激活参数 490 亿的 Pro 预览版——两者规模差一个数量级。

🎯 这里藏着最值得玩味的信号：参数规模的差距，正在被后训练的智慧追平。

这个案例说明了什么？

1. 架构不是唯一决定因素——同样一副骨架，换一套”训练方法”，能力天差地别
2. 后训练是”能力放大器”——尤其对 Agent（让 AI 用工具、完成任务）这类任务，后训练的加持立竿见影
3. 训练方法和数据质量的权重正在上升——这也是”小模型打大模型”成为可能的原因

一点诚实

有两个事实我该如实说：

• ⚠️ 后训练具体用了什么，官方没公开（数据、奖励方法、训练流程都保密）——所以”提升来自哪种具体技术”目前无法断言
• ⚠️ 评测有框架偏差——这些分数是在 DeepSeek 自己的 Agent 环境里跑的，不同第三方框架下的实际表现，还需要更多独立测试验证

正因如此，我更愿意把它理解为：DeepSeek 正在验证一条务实的技术路线——不动架构、不扩参数，靠重新后训练 + 工具适配，就能把模型完成真实任务的能力再拔高一截。 这本身就是个很强的信号。

另一个有力佐证：DeepSeek-V3.2

其实早在 2025 年底，DeepSeek V3.2 就用数据说了同样的话：它的论文里明确写到，后训练阶段投入的计算预算，超过了预训练的 10%。

⏫ 翻译一下：以前大家觉得预训练占 99% 的算力，后训练只是”修修补补”。但 DeepSeek 说，不，我单是后训练就烧掉了预训练十分之一的算力——换来的是跑平甚至超越 GPT-5、IMO 金牌级别的能力。

当后训练的单独立投入达到预训练的 10%+，它就已经不是”微调”，而是一项可与预训练分庭抗礼的工程。 这和我们看到的 V4-Flash-0731 是同一个故事的延续。

为什么这跟你有关？

你可能说：我又不做大模型，这跟我有什么关系？

关系大着呢。因为它正在改变整个行业的竞争逻辑：

• 🏗️ 对普通开发者：你未必养得起”预训练”，但你可以用开源 Base 模型 + 精心的后训练（SFT/RLHF/对齐），在自己领域做出媲美甚至超过巨头默认模型的专用 AI。这就是 R1、以及大量开源社区模型走的路。
• 💡 对使用者：理解”后训练”能帮你识破营销话术。当你看到”某模型变强了”，先问一句——是架构改了，还是只是重新训练了一遍？ 很多”惊喜升级”，本质都是后训练的红利。
• 🌍 对行业：当后训练的效率红利被充分挖掘，当”训练方法”开始追赶甚至抵消”参数规模”的差距，“堆参数”不再是唯一答案。这才是小团队有机会的缝隙。

🔥 最终一句话——不要神化”参数”，也不要神话”架构”。让模型真正有用的是它的训练，尤其是那块最能显手艺、最能拉开差距的后训练。

📅 2026-08-06 | 【AI 辅助编写】