混合后训练流程：分领域训练专家模型再统一对齐

我们的混合后训练流程通过冷启动监督微调（SFT）和专门化强化学习（RL）为每个领域（推理、代理、通用）训练专家模型。然后通过大规模SFT自蒸馏统一知识，随后进行三阶段RL对齐，用于推理、代理和通用任务。