Rufus-Air：一套开源 LLM 后训练配方

Hugging Face Daily Papers 收录论文 Rufus-Air，提出一套在 GLM-4.5-Air-Base（106B-A12B）上可复现的开源后训练配方，按 SFT、Reasoning RL、Coding RL、Instruction-Following RL、General Agent、Coding Agent、Search Agent、RLHF 八个阶段串行执行。论文公开数据、奖励设计、基础设施、阶段顺序与各阶段结果，且未使用新人工标注或自研蒸馏教师模型。结果显示该配方优于官方 GLM-4.5-Air 后训练版本，并与同规模开源模型相当。

以往开源后训练方案常只披露部分数据或依赖自建标注与蒸馏教师，复现门槛高。该工作把八阶段顺序、奖励设计、工程选择与阶段结果一并公开，并以官方后训练版本作为对照，使后训练从经验性操作变为可对照、可复现的流程，降低外部团队进入门槛。

配方按能力由基础到高级、奖励由硬到软排列：先用多样高质量 SFT 建立能力下限，再用难度过滤把 RL 提示控制在可学习区间，并以奖励可靠性决定阶段先后。基础模型、开源组件与公开数据基本按原样使用，避免额外人工标注与蒸馏教师，说明性能提升主要来自数据、奖励与工程编排的组合，而非新增监督信号。

团队可直接以该配方为模板规划后训练流水线，把预算重点放在数据筛选与奖励可靠性评估，而非从零设计阶段。对研发而言，八阶段串行意味着训练周期与算力成本更长，需要评估各阶段收益是否覆盖成本；对产品而言，可据此判断同规模开源模型能否通过后训练达到可用能力，从而影响模型选型与自托管方案。

• 以该八阶段流程为模板，搭建内部后训练流水线并逐阶段记录可复现指标
• 围绕难度过滤与奖励可靠性开发提示筛选和奖励评测工具，用于自有模型
• 在 GLM-4.5-Air-Base 上复现配方并对比官方后训练版本，验证迁移到自有数据的成本
• 将各阶段数据、奖励与基础设施配置整理为可审计文档，供模型选型评审使用

• 该配方在 GLM-4.5-Air-Base 之外的其他基础模型上是否同样有效
• 八个阶段各自的算力、时间与数据成本是多少，收益是否递减
• 论文所称与同规模开源模型相当的具体对比基准和评测结果细节
• 未使用新人工标注与蒸馏教师的情况下，各阶段数据来源与授权是否完全公开可复用