一句话定义：预训练（Pre-training）是用海量文本让模型学会语言和世界知识，后训练（Post-training）是在这个基础上把它调教成一个会好好说话的助手。
打个比方。预训练就像把一个人关进图书馆读上几年书——出来时他博闻强识，知道的东西极多，但完全不懂社交：你问他"今天天气怎么样"，他可能顺着话头继续编出十句"今天天气怎么样，明天天气怎么样……"，因为他学的唯一技能是"预测下一个词（next token）"。这一步产出的叫基座模型（base model）。
后训练就是紧接着的入职培训加岗位带教。教练拿一批人工写好的问答范例、一批"这样答更好、那样答不行"的偏好打分，反复纠正他：别人提问要正面回答，不确定的事别硬编，不该说的内容要拒绝，语气别太冲。数据量比预训练小好几个数量级，但每一条都是人精挑细选甚至逐字打磨的。
所以两者分工大致是：
| 维度 | 预训练 | 后训练 |
|---|---|---|
| 数据 | 海量公开文本，基本不用人工标注 | 少量人工编写、标注、排序的样本 |
| 目标 | 预测下一个词 | 遵循指令、符合偏好与安全规范 |
| 产出 | 基座模型 | 对话/助手模型 |
| 主要塑造 | 知识、语言、推理的底子 | 语气、格式、边界感、"性格" |
| 类比 | 读完图书馆 | 入职培训与岗位带教 |
一句话记：预训练决定"会什么"，后训练决定"怎么答"。
需要说明的是，这条线并不像听起来那么泾渭分明。指令遵循、按步骤推理这类能力，在预训练阶段其实已经埋下了种子，后训练更多是把它激发出来、定向到"回答问题"这个用法上。业内也有介于两者之间的做法（继续预训练、中期训练等），不必把二者当成非黑即白的两件事。
对从业者的实际意义在于：遇到问题时先分清是"能力不足"还是"行为不对"。模型答不出某领域的专业知识，再怎么调AI 词典：系统提示词">系统提示词也是徒劳，得从数据、继续预训练或换更强的基座模型上想办法；反过来，模型知道答案却答得啰嗦、爱编、爱说教，那基本是后训练数据和对齐策略的问题，改提示词往往只能治标。
对普通职场人的意义则是：你今天感受到的"这模型挺好用"或者"这模型有点烦"，很大一部分来自后训练。两个知识水平接近的模型，风格可以差出十万八千里，差别常常不在读了多厚的书，而在后来被怎么带。具体到某个产品的训练细节和版本策略，以官方页面为准。