为什么 RL 比 SFT 更会"举一反三"？

RL 比 SFT 更会举一反三。24 点实验里规则一变，SFT 准确率下降，RL 反而提升；它学的是可迁移的解题习惯，不是死记答案。还要注意出卷与判卷不一致会让训练跑偏。