SFT别急着接RL！你的多模态大模型可能一直在“带伤训练”

研究发现多模态大模型后训练中SFT会导致分布偏移，使模型性能下降，RL阶段实际是在“还债”。PRISM提出三阶段流水线，在SFT和RL之间加入分布对齐阶段，使用混合专家判别器分别处理感知漂移和推理漂移，显著提升模型性能。