SFT 刷分翻车：DeepSeek 微调模型人类评分涨 172 分，基准仅涨 4 分

一项模型微调研究显示，DeepSeek 训练的模型在人类评分上提升 172 点，但基准测试仅提升 4 点。MiniMax 训练的模型人类评分涨 68 点，基准反而下降 18 点；V4.1 Flash 使用 SFT 刷满 benchmark 后仍在人类评估中失败。研究认为，单纯追求 benchmark 刷分并不可靠，人类反馈带来的收益更显著。