两个约 500B MoE 模型的后训练路线对比：reflection beam 单一 RL vs thinky inkling 2 small 联合 RL

AGI Hunt 对比了 reflection beam 与 thinky inkling 2 small 两条约 500B MoE 后训练路线。reflection beam 先以大型能力 RL 训练，再由独立安全对齐专家通过 multi-teacher on-policy distillation 合并；thinky inkling 2 small 则将能力与对齐纳入一次联合 RL。