美團新框架調轉RL與SFT順序 解多模態推理難題

反轉訓練順序

傳統做法多先監督微調後強化學習，Metis-RISE（RL Incentivizes and SFT Enhances）反其道而行：先用RL讓模型大膽探索激發潛能，再以SFT針對性補齊短板，突破多模態推理瓶頸。