Rufus-Air：一套开放的大模型后训练方案

论文提出 Rufus-Air，一个在 GLM-4.5-Air-Base（106B-A12B）上可复现的开源后训练方案，由 SFT、Reasoning RL、Coding RL、指令遵循 RL、通用 Agent、Coding Agent、Search Agent、RLHF 八个阶段串行组成。作者公开了数据、奖励设计、基础设施、阶段顺序与分阶段结果，未使用新的人工标注或内部蒸馏教师，并称其效果优于官方 GLM-4.5-Air 后训练版本，且与同规模开源模型相当。

以往后训练细节多被厂商保留，外部难以复现。该工作把八阶段流程、奖励设计和基础设施一并公开，并给出相较官方后训练版本的改进结果，使后训练从内部经验变为可被外部检查和复用的工程流程。

方案按能力由基础到高级推进，奖励信号从可验证的硬奖励逐步过渡到基于评判的软信号；高质量多样化 SFT 抬高能力下限，难度过滤把 RL 提示控制在有效学习区间，奖励可靠性则决定阶段排序。工程与基础设施选择被视为方案本身而非实现细节。

团队可参照其阶段划分和奖励设计规划自身后训练流程，减少从零摸索的试错成本；公开的数据与基础设施说明有助于评估算力与工程投入，并根据奖励可靠性安排各能力阶段的上线顺序。

• 按 Rufus-Air 的八阶段顺序搭建内部后训练流水线，先固定 SFT 与难度过滤环节
• 针对自有业务建立奖励可靠性评估，用它决定各 RL 阶段的先后与取舍
• 复用其公开数据与开源组件，验证能否在不新增人工标注的前提下提升模型表现
• 将基础设施与工程配置纳入后训练方案文档，作为可复现交付的一部分

• 八个阶段各自的完整超参与数据配比是否足以让第三方完全复现
• 在没有内部蒸馏教师的情况下，该方法在更大或更小模型上的效果是否保持
• 与官方 GLM-4.5-Air 后训练版本的对比评测范围与具体指标尚未明确
• 公开数据的许可与商用限制是否会限制企业直接复用该方案