RL训练LoRA改写策略对齐SFT数据分布，三骨干非下游退化均降低
作者自报：用强化学习训练轻量LoRA改写策略，在任务一致性硬门下优化问答式分布对齐与语义多样性，三个指令微调骨干上下游增益与标准SFT大致相当。
重要性局部证据E2 未复现
用强化学习训练轻量LoRA改写策略来改写SFT数据，可在任务一致性硬门下优化问答式分布对齐与语义多样性；作者自报，三个指令微调骨干的上下游增益与标准SFT大致相当，且所有评测设置中非下游基准退化均降低。
此前SFT数据改写缺乏这种形式化处理，改写质量与下游代价难以同时控制。
该结果为作者自报：三个指令微调骨干上，上下游增益与标准SFT大致相当，非下游基准退化在所有评测设置中均降低；跨域复用改写策略仅为初步证据。
边界：结果未经第三方复现；该工作为arXiv预印本2602.11220，2月11日首提，9月16日更新v2。来源：arXiv摘要页 ↗