摘要中的聲明： "106B 參數的 MoE（12B 活躍）在我們的端到端 RL 基礎設施堆疊上進行了大規模強化學習訓練。" 我原本預期是從零開始的所有 RL。 現實：已存在的基礎模型 + SFT + RL 😿