在什么情况下，模仿学习或 SFT 已经足够，什么情况下值得引入强化学习？如何判断进入 RL 阶段的时机，并评估 SFT 对后续训练的影响？

判断时机看三条：1）上限——模仿学习的性能上界是示范分布，当加大示范数据成功率仍停在平台期、或专家本身做不好目标行为（超出人类演示能力）时，值得转 RL；2）奖励——必须存在可靠、难被黑客的奖励信号（任务成功率、约束违反），否则 RL 只会优化假信号；3）基座——SFT 策略要足够好，让探索不至于从零开始。评估 SFT 的影响：SFT 分布过窄会限制 RL 探索、策略对分布外动作概率极低，过弱则采样效率差；常用做法是把 SFT 数据加到成功率曲线趋平，再以 SFT 策略为 KL 参考点启动 RL，并对比「直接 RL」与「SFT 后 RL」的采样效率与最终成功率来量化收益。

追问常落在：如何量化示范瓶颈——画数据规模-成功率曲线看边际收益；SFT 对 RL 的影响还体现在参考模型与熵的初始化上；以及工程上更稳的中间形态（DAgger 式纠正、拒采样再训练、优势加权）往往先于完整 RL 落地。能给出「先诊断数据、再决定上 RL」的决策框架，比背结论更加分。