训练步数的增长，模型的thinking response length 逐渐增加 (test-time computation increasing) ➢ DeepSeek-R1-Zero 自主涌现学会重新评测原来的方法、反思和主动探索其他的路径 ➢ 多阶段训练下的冷启动让RL训练更加稳定，避免初期不稳定、加速收敛、提升思维链可读性 ➢ 未来后训练的重心会逐步倾向于RL，但是少量训练用于SFT可能还是必须的 SFT、RLHF、DPO等主流对齐 微调算法的训练代码 模型：开源指令跟随微调后的 Chameleon、LLaMA3.2-Vision 等模型，并公开微调数据集 评估：开源面向任意模态、 涵盖超过30种主流开源基准 的大模型评测代码 数据、框架、算法、模型全开源 开源项目：https://github.com/PKU-Alignment/align-anything 55 未来技术方向展望: 强推理赋能 Agentic

大 模型幻觉会影响信息的准确性和可靠性 ， 在信息 传播、 学术研究等领域可能带来不良影响。 因此， 在使用大模型时 ， 需要对其输出内容进 行仔细验 证和甄别。 3.6.3 主流大模型“幻觉”评测 3.7 大模型的应用领域 厦门大学大数据教学团队作品 （ 2 ）计算机视觉 大模型在计算机视觉领域也有广泛应用 ，可以用于图像分类（识别 图 像中的物体和场景）、 目标检测（能够定位并识别图像中的特定