本文提出了一种新方法Reinforce-Rej，旨在解决大语言模型在复杂推理任务中的适应性不足问题。通过样本筛选，该方法提高了KL效率和稳定性，为基于奖励的后期训练提供了有效的替代方案。

本研究探讨了数据质量对大语言模型后期训练的影响。通过层级梯度分析，发现高质量数据与低核范数和高有效秩相关，推理数据在复杂任务中表现出更高的有效秩，揭示了数据质量与训练稳定性之间的关系。

本研究探讨了基于骨骼的人类活动识别（S-HAR）的敌对可转移性，并通过平滑损失函数景观和后期训练的双贝叶斯策略成功提高了S-HAR的敌对可转移性。评估结果显示，传递成功率分别为35.9％和45.5％，高于现有攻击方法。研究还提供了关于替代模型可转移性的见解。