数据周期：2026-04-24 ~ 2026-09-04 ｜ 案例模型：DeepSeek V4、GLM-5.3、Qwen3.8-Max 系列续篇：上一篇《AI 编码半年没质变？强项在涨，短板在露》聊的是能力怎么变，这篇往回退一步，问能力从哪来。

9 月 2 日，Qwen3.8-Max-0902 登上了 Arena 真人盲评榜 Code Arena: WebDev 的榜首。这不是一个新模型——qwen3.8-max 八月三日就发布了，当时排第四，落后 Claude Opus 5 Max 大约 37 分。一个月后，同一个模型，一个参数没加，1691 分反超 Opus 5（1688 分），还顺手把价格摆上台面：Opus 一百万 token 混合计价 20 美元，它 5 美元，还站在了同价位段的帕累托前沿上。

阿里的解释是：针对编码和长程智能体任务做了一轮定向强化学习（据 TechTimes 报道）。翻译成大白话：后训练。

这个剧本我们见过。7 月 31 日，DeepSeek V4-Flash 正式版上线，官方更新日志原话是"模型结构、尺寸和预览版保持一致，仅重新进行了后训练"——就这一句"仅重新后训练"，智能指数从 40 拉到 50。8 月 13 日，V4-Pro 正式版上线，架构不动，智能体基准全线大涨。8 月 14 日，智谱发布 GLM-5.3，官方说得更直白："全部能力提升都来自后训练 Scaling"。9 月 2 日，千问跟上。

四个模型，同一个动作，四份成绩单。这不是巧合，是行业在换挡。这篇就聊聊：后训练到底是什么，为什么它这半年突然这么能打，以及——它的边界在哪。

一、模型的一生，分两段

先把概念掰开。一个大模型的诞生分两步，两步干的事完全不同。

第一步，预训练。 拿几万亿 token 的网页、代码、书籍，让模型做一件事：预测下一个词。这一步过后，模型什么都"读过"——全世界的开源代码、技术文档、论坛吵架帖都在它的参数里。但它只是读过，不一定会干。你让它修一个 bug，它可能给你背一段教科书，然后半路把文件删了。

第二步，后训练。 基座冻结之后的一切加工。早期是指令微调和人类反馈强化学习，教模型"好好说话、别答非所问"。这两年的主角换成了 RLVR——可验证奖励的强化学习：把模型扔进海量真实任务里反复跑，环境自动判卷，测试通过给分，漏洞复现成功给分，命令跑挂扣分。模型在犯错、挨罚、重试里，学会把一件事从头办到尾。

打个比方：预训练是上学，后训练是上岗培训。上学攒知识，上岗练的是"接到活怎么把它干完"。

二、四份成绩单

模型	动了什么	代表性结果	口径
V4-Flash-0731（7/31）	仅重做后训练	智能指数 40→50；DeepSWE 7.3→54.4	第三方独立评测
V4-Pro-0813（8/13）	架构不动	DeepSWE 12.8→62.7；Terminal-Bench 72.1→87.9	社区流出，未进官方日志
GLM-5.3（8/14）	同基座，零新参数	编程能力 +50%；DeepSWE 46.2→66.9	官方自报
Qwen3.8-Max-0902（9/2）	同模型快照	Code Arena 1669→1691，登顶	真人盲评

四份单子里，含金量最高的是两头：DeepSeek 那格"40→50"是第三方评测机构 Artificial Analysis 的独立复评，Qwen 那格是真人在 Arena 上盲投出来的——不经过任何厂商自报，模型的实际表现说话。中间两格是官方口径，看看趋势就好，等独立复现。

有意思的是各家暴涨的项目：DeepSWE、Terminal-Bench、CyberGym、Code Arena——全是写代码、跑终端、挖漏洞、做网页这一类。没有一家宣称后训练让模型诗写得更好了。这不是疏忽，是线索。

三、为什么效果这么好

我认为是三层原因，一层比一层硬。

第一层：考试终于对齐了。 预训练的考题是"预测下一个词"，人类想要的考试是"把活干完"，中间隔着一条鸿沟。模型学会了世界的知识，但没人教它把知识组织成行动：什么时候读代码，什么时候调工具，报错了往哪回退，长任务里怎么不丢目标。后训练直接把训练目标对准"干成事"本身。同一个学生，以前天天考奥赛，现在直接练上岗——练什么，出什么成绩。

第二层：代码是天然的完美考场。 强化学习有个死穴：奖励从哪来？对话、写作、审美这类任务，判卷靠人，贵且慢，没法规模化。代码不一样：测试能不能跑通、漏洞能不能复现、任务能不能端到端交付，全是机器自动出分的客观信号。出题机器（任务环境）和批卷机器（验证器）一齐，练习量就不再稀缺，可以无限刷。回头看四个案例的暴涨项，清一色落在可验证领域——魔法边界就在"机器能不能自动判卷"这条线上。

第三层：军备重心从数据搬到了环境。 预训练时代拼语料，后训练时代拼"任务环境"。智谱官方说得很实在，GLM-5.3 的提升来自三样：数十倍的长程任务环境、更丰富的环境类型、更长的训练时间。而为了让这些环境跑得起，GLM-5.3 的技术家底里躺着推理加速框架 IndexShare——在 30B 实验模型上砍掉 75% 的索引计算，推理提速近一倍——和异步强化学习框架 Slime。这些技术不直接增加智能，但决定了模型能在同样的算力里经历多少、多长的任务。环境即数据，这是这轮竞赛的新护城河。这条路线研究侧早有铺垫：Reasoning Gym 把"出题机器+批卷机器"做成了程序化环境库，100 多个可验证环境难度可调、可以无限刷；更新的 Terminal-Universe 走得更远，从 agent 的历史轨迹里逆向重建出 3.7 万个可执行环境，还给出一个关键消融——在重建环境里让模型重新解题，效果好过直接模仿原始轨迹。环境比轨迹值钱。

还有一笔账：预训练一轮要几个月、亿美元级投入；后训练单位能力提升的成本低得多。智谱创始人唐杰在业绩会上说得很坦白——这是权衡边际收益后的主动选择，"参数规模并非 Scaling 的唯一变量"，资源现在向后训练倾斜。

四、两个流行说法，各对一半

聊到模型提升，最常见的说法是两条：参数越大越博学；后训练越极致，某个领域越厉害。两句各对一半，拆开看。

"参数越大自然越博学"——对了一半。 准确的说法是：参数决定博学的上限，数据决定你摸没摸到上限。容量再大，语料不够多不够好，照样装不满。经典证据是 Chinchilla：同样的算力预算，700 亿参数的模型配 4 倍数据，打赢了 2800 亿参数的大模型——后者不是输在脑容量，是输在没吃饱。顺带一提，"参数"这个词本身也在变模糊：V4 Pro 总参数 1.6 万亿，每次推理只激活 490 亿。比"多大"更关键的是"多厚地用"。

"训练越极致，某个领域越厉害"——偏差更大。 RLVR 这条路练的不是某个领域的知识，是"把已有知识组织成行动"的通用能力。两个证据：其一，GLM-5.3 只在编程上做强化学习，结果网络安全能力"意外涌现"，CyberGym 从 77.2% 涨到 84.5%，压过了 GPT-5.6 Sol——如果后训练只是往脑子里灌领域知识，不该跨域长出新东西。其二，Artificial Analysis 对 V4-Flash-0731 的独立评测显示，准确率一格没动（37%），幻觉率降了 11 个百分点（95%→84%）——知识没变，行为变了。它没变博学，是变靠谱了。

研究侧也有对应：两篇 RLVR 机制论文（Beyond the 80/20、OPSA）从不同路径得出同一个结论——RL 训练几乎不动承载知识的 token，增益全部集中在少数高熵"分叉点"上。前者只对约 20% 的高熵 token 施加梯度，成绩反而比全量训练更高；后者更彻底，拆掉蒸馏的 teacher、只压制低概率 token，性能不降反升。后训练动的不是知识，是行为。

所以更准的图景是：预训练决定"知道什么"，后训练决定"会做什么"。 而"会做"是通用的——拆任务、调工具、看报错、失败回退，这套"办事学"在代码、网安、智能体上是同一套功夫，所以才会跨域迁移。真正"往一个领域猛灌"是早年期微调的玩法，代价是一处灌狠了别处退化，那是老路线的问题，不是现在的主流。

再补两条常被漏掉的轴：架构效率——IndexShare 没加一个参数就把推理提速近一倍，它是后训练烧得起的前提；推理时算力——DeepSeek 的 low/high/max 思考档位、各家测试时多算几步的策略，同一副参数，当场多想十分钟，分数就不一样。

所以完整的画面不是两条路，是四层：参数乘以数据决定矿有多深，后训练决定能挖出多少，架构效率决定挖矿成本，推理时算力决定当场使多大力。四层之间的关系是上下游，不是平行选项——后训练的天花板由基座决定，知识不在基座里，后训练变不出博学。基座挖井，后训练装抽水机；井里没水，抽水机再好也白搭。

五、泼半盆冷水

"效果这么好"这个前提，值得拆一下，不然容易变成新神话。

有几项提升是变谨慎，谈不上变聪明。 幻觉率 95%→84%，但准确率 37% 纹丝不动——模型只是少编了，知识没多。矿还是那个矿，是挖得干净了。

红利集中在可验证领域。 代码、智能体、网安暴涨；写作、审美、开放问答没有对应暴涨。RLVR 的魔法出不了"机器能自动判卷"这个圈。这个圈的边界研究侧也看得见：RLSVR 想把可验证奖励扩到开放任务，办法是把任务先改造成"机器能判卷"的形状——圈子在扩大，但每一步都得先过这道门。圈内也未必稳，Reasoning Gym 测出过"难度悬崖"：任务难度上一档，成绩断崖式下跌，最狠的掉幅超过 70%。

还有一个心照不宣的可能。 预览版本来就是后训练没做满的版本，"preview 到正式版的暴涨"里，或许有一部分只是口径差——这一条没有官方证据，纯属合理怀疑，但 DeepSeek 两次跳变的时间线跟它对得上。

头部玩家自己承认了极限。 唐杰的原话：后训练做到极致之后，下一个阶段的增长必须回到基座模型——智谱下一代基座已在推进。市场也已经在问"智谱是不是只会后训练"，这个质疑本身，说明风向开始转了。

六、结尾

这轮后训练竞赛里，全行业疯狂挖矿，是因为年初那批基座（DeepSeek V4、GLM-5 基座、Qwen3.8）矿脉确实好，而后训练的工程化刚刚成熟。挖到边际收益递减那天，大家还是会回去造更大的钻机。

对普通人来说，更实际的变化是发布节奏：同一个基座连出多版，带日期后缀的"快照"成了主流命名。模型正在从"一个大版本"变成"一项持续更新的服务"，榜单竞争从年度战争变成月度竞赛。这个节奏在发稿时现场上演了一次：9 月 2 日 Qwen3.8-Max-0902 登顶，9 月 4 日截取 Arena 实时榜时，Anthropic 的 Fable 5.1 Max 已经以 1765 分把榜首抢了回去，0902 落到第二（1688 分），对 Opus 5 Max 的领先缩水到 1 分。从登顶公告到王座易主，不超过 48 小时。上个月你还领先的模型，这个月——不，这两天——就可能被反超，这大概就是"后训练时代"最直观的体感。

---

参考资料

1. DeepSeek 官方更新日志：https://api-docs.deepseek.com/zh-cn/updates

2. Artificial Analysis 对 V4-Flash-0731 的独立评测（知乎转载）：https://zhuanlan.zhihu.com/p/2067219668155347201

3. DeepSeek V4 Pro 正式版发布（CSDN 社区转载）：https://deepseek.csdn.net/6a805c2210ee7a33f29b65ef.html

4. 智谱发布 GLM-5.3（网易）：https://www.163.com/dy/article/L4CP0LK40556OXHR.html

5. 智谱业绩会回应"只会后训练"质疑（搜狐·每日经济新闻）：https://timeline.sohu.com/news/S8oNitws1R

6. GLM-5.3 后训练技术解析（知乎）：https://zhuanlan.zhihu.com/p/2072048332042670756

7. Qwen3.8-Max-0902 登顶 Code Arena（TechTimes）：https://www.techtimes.com/articles/326373/20260902/qwen38-max-0902-beats-claude-opus-5-coding-china-law-still-owns-every-call.htm

8. Arena.ai 官方公告（X）：https://x.com/arena/status/2094974637704913198

9. DeepSeek V4 Pro 正式版上线（IT之家）：https://www.ithome.com/0/989/423.htm

10. DeepSeek V4 Pro 正式版深夜突袭（华尔街见闻）：https://wallstreetcn.com/articles/3779306

论文佐证

1. Beyond the 80/20 Rule: High-Entropy Minority Tokens Drive Effective RL for LLM Reasoning（NeurIPS 2025，RLVR 机制：增益集中在高熵 token）：https://arxiv.org/abs/2506.01939

2. Does On-Policy Distillation Really Distill? From Noisy Teacher to Self-Improvement（OPSA，on-policy 蒸馏实质是压制低概率 token）：https://arxiv.org/abs/2608.31046

3. REASONING GYM: Reasoning Environments for RL with Verifiable Rewards（NeurIPS 2025 Spotlight，程序化可验证环境库与跨域迁移实验）：https://arxiv.org/abs/2505.24760

4. Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments（轨迹重建 3.7 万可执行环境，环境重解优于轨迹模仿）：https://arxiv.org/abs/2609.04148

5. From RLVR to RLSVR: Task Transformation Induces Self-Verifiable Rewards（开放任务的可验证奖励扩展）：https://arxiv.org/abs/2607.23802

6. ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries（延长 RL 可发现基础模型采样不到的新策略）：https://arxiv.org/abs/2505.24864

7. Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training（BCIT，阿里云，后训练经验复用的条件与风险）：https://arxiv.org/abs/2608.26730