上个月，DeepSeek悄悄做了一次更新，发布了一个小版本：DeepSeek-V3-0324。
这个版本大幅提高了在推理类任务上的表现水平，在数学、代码类相关评测集上取得了超过 GPT-4.5 的得分成绩。
怎么做到的呢？DeepSeek官方文档是这么说↓
新版 V3 模型借鉴 DeepSeek-R1 模型训练过程中所使用的强化学习技术，与之前的 DeepSeek-V3 使用同样的 base 模型，仅改进了后训练方法。
这里面提到了一个词：后训练。
啥是后训练，跟预训练有啥区别？
今天我们用最通俗的比喻，来讲讲大模型三个不同阶段的训练方法：❶预训练（Pre-training）❷后训练（Post-training）❸微调（Fine-tuning）。
先看预训练
预训练就是用大量的通用数据集先训练模型，让它掌握基础知识和技能（通用语言能力和世界常识，比如刚发布的Llama 4在200种语言上进行预训练）。
这就好比我们的中小学阶段，系统地学习语文、数学、英语等基础学科知识。
这个阶段数据规模庞大，训练成本高，周期长（数万GPU天），比如Llama 4 Scout预训练就使用了40万亿tokens数据。
想想我们小时候刷过的题、吃过的苦、花费的时间、挨过的骂……
预训练的成本和时间一下子就具象化了。
再说后训练
后训练是指在预训练完成后的进一步训练阶段，目的在于让模型更好地适应实际的特定任务或应用场景。
这就好比高中毕业（预训练结束），考上大学，有了明确的专业方向，开始强化专业知识。
后训练阶段，数据规模小，通常是特定领域的数据（专业基础课和专业课），训练周期短（修够学分就行）。
回想一下你的大学生活，是不是比以前轻松多了
。
不过，后训练往往不止一次，可能要根据实际需求，持续深造，不断优化。
这就好比我们上完本科，可能还要硕士、博士，持续深造，让自己的专业能力越来越扎实。
目前，在模型后训练环节，比较流行的是采用强化学习（RL：Reinforcement Learning）的方法。比如在DeepSeek-V3小版本发布的通告里，就特别指出了自己采用了强化学习进行后训练。
简单讲，强化学习就后训练的过程中不断告诉模型：①你做得好，继续保持（给正反馈）；②你做的不好，赶紧改正（给负反馈）。
通过这种“奖惩机制”，让模型学习更有针对性，表现也更好。
但是这种”打一巴掌、给个甜枣“的方法，有时候会把模型心态搞崩，太过于追求奖励的结果了而走极端。
所以，为了避免走极端，最近流行一种新的强化学习方法，叫做GRPO（引导式正则化策略优化），比如DeepSeek R1的训练就采用了这种方法。
GRPO就是在传统强化学习的奖励机制之上，加入一个额外的约束（正则项），确保和最初的“比较好的模型”不会差距太大。
这样模型就可以平稳地进步，既能拿到高奖励，又不会走极端。
如此，GRPO成了当下大模型后训练中，最流行的强化学习手段，能更安全、稳定地提升AI的表现，生成的内容更符合人类喜欢的风格和预期。
最后说说微调
严格来讲，把微调单拎出来讲并不科学，因为微调其实也是模型「后训练」的一种方法。
不过，一般后训练（像前面说的强化学习方法），发生在模型提供商那里。模型提供商在「预训练」完成以后，通过多次「后训练」优化，最终把模型打造成可交付的产品或服务。
而微调这种「后训练」，通常发生在模型使用者那里（尤其是行业客户场景）。
只因出徒后的大模型虽然基础知识丰富、专业能力一流，可是实战技巧却是空白，到了行业场景没法直接上岗。
比如——
怎么办呢？进行上岗培训，这就是微调。
微调是针对特定任务（修电脑）的训练，数据量小但很精准、具体，老司机会把他的具体修理经验交给你，让你的知识更接地气。
至此，一个大模型经过预训练、后训练、微调。
终于可以上岗干活啦。
简单总结下↓
预训练：基础知识广泛学；
后训练：专业领域深入学；
微调：具体实操岗前学。
好了，基本概念介绍完毕。
从目前的国内的趋势看，做大规模预训练的公司会越来越少（坊间传闻，今年上半年真正在做预训练的公司只有两三家）。
未来训练方面的主要需求都是后训练和微调（当然更大的需求是推理）。
可是说，随着DeepSeek的半路杀出，国内大模型战役的第一阶段，已经结束，“裸泳者”即将浮出水面。
