9月24日，Amazon团队公开Rufus-Air：在GLM-4.5-Air-Base上串联八个后训练阶段，从监督微调到推理、代码、指令、通用Agent、编码Agent、搜索Agent和RLHF。最值得开发者拿走的并不是照抄八步，而是一条更稳的原则：先用能明确判对错的奖励建立能力，再逐步引入主观裁判；每一步都必须过回归门禁。
发生了什么
论文称这套配方基于106B-A12B基础模型，记录了数据、奖励设计、基础设施、阶段顺序与逐阶段结果。训练主要使用开源组件和公开数据，没有新增人工标注，也没有内部蒸馏教师。作者总结：高质量且多样的监督微调（SFT，Supervised Fine-Tuning）建立能力下限；难度过滤让强化学习样本处在有效区间；奖励可靠性决定阶段排序；基础设施也是配方的一部分。
这些都是论文团队的实验结论。Rufus-Air优于官方GLM-4.5-Air后训练版本并与同规模开放模型有竞争力，不意味着八阶段对所有基础模型、预算和语言都最优。47页论文与20张表提高了透明度，但完整复现仍需要巨大算力和严格的数据版本控制。
技术原理：为什么奖励要"先硬后软"
数学题最终答案、代码单元测试和格式约束通常能自动验证，噪声相对小；搜索质量、帮助程度和表达偏好往往依赖模型裁判或人工规则，误差更大。早期模型若被含糊奖励牵引，很可能学会讨好裁判，而不是学会任务本身。先训练可验证能力，相当于先把尺子校准，再测柔软材料。
难度过滤同样关键。题目太简单，所有样本奖励都接近满分，梯度没有信息；题目太难，奖励长期为零，模型也不知道哪个尝试更好。有效训练区间应持续监控通过率、奖励方差和失败类型，而不是固定拿一套数据跑到底。
阶段之间还存在"能力覆盖"风险。代码阶段提高了测试通过率，可能同时让回答变得过度模板化；搜索阶段学会引用网页，也可能放大对低质量来源的依赖。因此每一阶段都应同时看目标能力、通用能力、安全性和校准度，不能只追一条上升曲线。
最小实践：给阶段加晋级门禁
下面的纯Python脚本不训练模型，而是演示阶段门禁：核心能力必须提升，安全与通用能力的回退不能超过阈值，软奖励阶段还要满足更严格的最低样本量。保存为gate.py后运行python gate.py。
python
from dataclasses import dataclass
@dataclass
class Stage:
name: str
reward: str
samples: int
target_gain: float
general_delta: float
safety_delta: float
def promote(stage: Stage) -> tuple[bool, list[str]]:
problems = []
if stage.target_gain < 0.02:
problems.append("目标能力提升不足2%")
if stage.general_delta < -0.01:
problems.append("通用能力回退超过1%")
if stage.safety_delta < -0.005:
problems.append("安全指标回退超过0.5%")
if stage.reward == "soft" and stage.samples < 1000:
problems.append("软奖励样本不足1000")
return not problems, problems
stages = [
Stage("代码RL", "hard", 800, 0.05, -0.004, 0.001),
Stage("偏好RLHF", "soft", 600, 0.03, 0.002, -0.007),
]
for stage in stages:
ok, reasons = promote(stage)
print(stage.name, "PROMOTE" if ok else "HOLD", reasons)本次已在Python 3.9运行：代码RL通过，偏好RLHF因软奖励样本不足且安全指标回退被暂停。阈值是教学示例，不来自Rufus-Air，也不能直接用于生产。关键是把晋级条件写成可审计配置，并为每个检查点保存数据版本、奖励版本和评测报告。
开发者应该关注什么
第一，不要只保存最终模型。若第七阶段出现退化，没有逐阶段检查点就无法定位来源。第二，训练指标不能替代留出评测；奖励上涨可能只是学会了裁判偏好。第三，代码和搜索Agent需要真实工具环境，沙箱版本、超时、网络权限和测试稳定性都会改变奖励。第四，阶段顺序不是永恒真理；新基础模型已经具备的能力不同，应该用诊断结果删减或重排。
一个可执行流程是：先为每个阶段写"想新增什么能力、可能伤害什么能力"；建立冻结的核心留出集与动态污染检查；训练后比较目标收益、通用回归、安全回归和单位算力收益；只在四项门禁都满足时晋级。软裁判阶段应抽样人工复核，并用多个裁判检查排序一致性。
还应设置停止条件。若连续两个检查点的目标收益低于噪声区间，或单位GPU小时收益快速下降，就暂停扩训并复查数据；继续堆步数可能只会强化奖励漏洞。对于可恢复的退化，优先从最近通过门禁的检查点重启，而不是用最终模型反向猜原因。
我的判断与边界
Rufus-Air把行业常被省略的工程细节放回配方：数据怎么选、奖励为何可信、阶段为什么这样排、基础设施怎样保持轨迹可复现。这比又一个总榜分数更有长期价值。不过"开放"不等于低成本，也不等于没有数据许可和污染风险。中小团队更现实的做法不是复刻106B训练，而是复用奖励排序、难度过滤、逐阶段门禁和可回滚检查点。
你的模型训练失败时，最先排查数据、奖励可靠性，还是直接增加算力和训练轮数？
关注「蜗牛聊AI」，一起看懂技术变化背后的真正机会。
本文首发于 java4u.cn，转载请注明出处。