Olmo's Kitchen：在多个检查点上探测模型行为

作者使用开源的 Olmo 3 7B Think 模型的三个训练阶段检查点（SFT、DPO、RLVR），测试训练域是否会影响模型在域外知识与指令上的行为。作者以厨师学习过程作类比，解释 SFT 像跟随专家模仿规则、DPO 像按顾客偏好做拒绝选择、RLVR 像在烘焙比赛中通过试错与外部评分获得奖励。原文在解释 RLVR 时中断，未给出完整测试结果。