后训练在预训练模型基础上，通过微调和对齐提升特定任务表现。随着模型规模扩大，后训练扩展律成为突破点，强化学习在推理能力提升中发挥关键作用。常见方法包括全量与部分微调、对齐技术及强化学习策略优化。推理阶段通过慢思考与CoT等策略优化模型表现。后训练结合SFT与RL，推动模型性能持续提升。

OpenAI推出强化微调（RFT）功能，支持o4-mini模型，整合监督微调、奖励模型和强化学习，显著减少对大规模标注数据的依赖。RFT通过奖励驱动优化模型，适用于编程、数学、法律、医疗等领域，帮助模型成为特定领域专家。技术核心为策略梯度算法和近端策略优化（PPO），提升模型在特定任务上的性能。

基于强化学习的大模型训练微调技术正推动AI推理能力的显著提升。OpenAI和DeepSeek通过模仿人类慢思考过程，结合RLHF、DPO等方法，优化模型策略与奖励设计，增强复杂问题解决能力。未来，自我训练、高级推理与安全性的结合将进一步突破技术边界，推动AI向AGI迈进。