Post（后训练，Post-Training）指大模型预训练完成后的定制化训练阶段，涵盖监督微调（SFT）、强化学习（RL）等手段，用于让通用基座模型适配具体任务和领域。随着基础模型能力趋于同质化，后训练正成为企业构建差异化竞争力的关键环节，也是当前 AI 基础设施厂商竞争最激烈的赛道之一。
Post-Training 近期进展
当前焦点与观察点
后训练的价值正在被产业界重新定价。过去争论集中在预训练规模，而 Sara Hooker 在 PyTorchCon 2026 上提出的“规模化之外的自适应智能”路线，也呼应了这一转向——即在预训练之外寻找提升模型能力的杠杆。
几个值得关注的趋势：一是后训练服务化，Together 等厂商将其打包为托管服务，并伴随持续的降价（如 B200 降至每小时 $9），说明供给侧竞争加剧；二是后训练数据成为新的护城河，AI21 Labs 的私有化路线和北大 HIL-UMI 的人类纠正数据采集，都指向“数据质量高于算力堆叠”的共识；三是应用边界扩展，从对话模型延伸到机器人 VLA 模型、甚至多智能体强化学习在 Polymarket 订单簿上训练做市商（arXiv 2610.26789）等场景。
观察点在于：当基座模型开源程度提高，后训练能否真正构成可防御的差异？价格战会否将这一环节推向低毛利？答案可能在接下来几个季度的企业级落地数据中逐渐清晰。