# 在线策略参数更新方向

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。