[LG]《How Post-Training Shapes Biological Reasoning Models》L Fesser, H Zhang, M M. Li, E Wang… [Harvard University] (2026)

在生物推理模型领域，跨 unseen 生物系统（如新通路、新物种、新疾病）的稳健泛化是一个悬而未决的难题。过去方法受困于监督微调的单向强化，过去的方法本质原因是额外监督让模型过度贴合训练分布，而非掌握可迁移的生物机制，导致 OOD 性能随训练反而下降。

本文的核心洞见是：把后训练各阶段（CPT、SFT、RL）重新看作塑造泛化曲线的不同杠杆，而非均匀叠加的计算。由此，简短 SFT 建立任务能力、随后分配更多 RL 优化奖励、辅以 CPT 对齐生物语言这一关键操作，使 ID-OOD 权衡得以解开。

这项工作真正留下的遗产是：生物推理并不随监督或算力单调提升，而是依赖阶段组合方式。它为后来者打开的新门是：在固定预算下用非对称适配（高秩 SFT + 低秩 RL）设计后训练流程，但尚未跨过的门槛是计算归一化阶段分配、更广任务验证，以及区分真实推理与捷径。

arxiv.org/abs/2606.16517 机器学习 人工智能 论文 AI创造营