这项研究能给求职者什么参考

消息提到，Baseten Base Labs 发布研究，用 Qwen3 的 0.6B、1.7B、4B、8B 模型，比较 GRPO 直接训练与先用教师解法做 SFT 再 RL 两种方式，覆盖十六个推理任务。原文未说明具体任务、评测指标和结论，所以别把哪种路线当成标准答案。

但它提示了一件事：同一个训练目标，可以走不同的实现路径，而不同路径需要的日常能力并不一样。这对准备投训练相关岗位的人，比记住结论更有用。

两条路径，考的是不同手艺

可以把它当成两种工作重心来理解。

偏 SFT 一侧，更多是数据构造与监督训练：收集或生成解法、清洗样本、控制质量、跑训练看评测。你需要对数据的分布和噪声敏感，愿意花时间把一批样本从“能用”磨到“好用”。

偏 RL 一侧，更多是奖励设计与实验调参：定义奖励信号、观察训练是否稳定、分析奖励是否被钻空子、反复调整实验。你需要对实验变量和失败模式有耐心。

素材里两种方式覆盖十六个推理任务，说明路线和任务本身有关联，但这不意味着岗位会被固定切成两类。判断自己适合哪边，可以回看过去项目：你更愿意整理数据、设计样本，还是更愿意盯着曲线找奖励漏洞？前者偏 SFT，后者偏 RL。

面试时把路线问具体

不要只问“你们用不用蒸馏或 RL”，太粗。可以换成下面这些核查问题，观察对方回答的颗粒度：

  • 团队当前任务里，SFT 和 RL 各占多少比重？
  • 训练数据从哪来，教师解法由谁产出，质量怎么把关？
  • 奖励设计由谁负责，算法工程师还是标注团队？
  • 训练效果不稳定时，团队怎么复盘，看哪些指标？

这些问题能帮你判断岗位实际内容，而不是被“大模型训练”四个字吸引。注意：以上提到的研究只是一条线索，具体岗位分工仍以你面试的团队为准。

一个小建议：挑一个你做过的小任务，分别写下“走 SFT 我会怎么做”和“走 RL 我会怎么做”各三条。写不出来，就说明你还没想清楚自己更适合哪条线。 延伸阅读：算法工程师简历模板：从菜鸟到专家的完整指南