一句话定义：拒绝采样微调（Rejection Sampling AI 词典：Fine-tuning">Fine-tuning，RFT）是让模型对同一批问题生成很多个答案，用可靠的判据把答对的挑出来，再用这些"自己做对的样本"反过来微调模型自己。
打个比方
像学生把同一道题做一百遍，老师只留下做对的二十遍，错的扔掉，让学生照着这些解法反复模仿。练着练着，"能做对的那条路"就被加固了。"拒绝"（reject）一词来自统计学里的拒绝采样：生成一批候选，只保留符合条件的。
落到实处是三步：
1. 采样：同一道题生成多个答案，要带随机性，否则每次输出都一样，挑不出好坏。
2. 筛选：判断对错。数学题比对答案，代码跑测试，SQL 看能否执行出预期结果，结构化输出过格式校验；没有硬判据时，用奖励模型（Reward Model）或验证器（Verifier）打分。
3. 微调：把留下的答案当成标准答案，走一遍普通的监督微调。
和相邻概念的区别
| 概念 | 学习信号来自 | 特点 |
|---|---|---|
| 监督微调（SFT） | 人写的答案 | 只学正样本，数据靠人 |
| 拒绝采样微调（RFT） | 模型自己生成 + 自动判对错 | 只学正样本，数据自动产出 |
| 强化学习（RL） | 打分，可正可负 | 好答案概率拉高，坏答案压低 |
| 知识蒸馏 | 另一个更强的模型 | 跟别人学，不是跟自己学 |
还有一处容易混：拒绝采样在推理阶段也有用——一个问题多生成几个、挑最好的返回，俗称 best-of-n；只有把挑出来的答案拿去更新参数，才算 RFT。前者不改模型，后者改。
对从业者的意义
好处是省：不用人工标注新数据，也不用强化学习那一整套基础设施（奖励模型、价值模型、KL 约束调参），采样、校验、微调三步就能跑，尤其适合判对错能自动化的任务——数学、代码、形式化推理、结构化输出。
代价有两个。一是采样贵，想留够正样本就得生成很多，训练质量是拿推理算力换的；二是只学正样本容易越练越窄，同类题越来越顺手，解法多样性反而下降。常见做法是做成循环：跑一轮、更新模型、用新模型重新采样，再来一轮。
前提也很硬：判据得可信，模型也得偶尔做对。一个都答不对就没东西可挑；判对错的若还是模型自己，可能把错误一起练进去。
对普通职场人的意义
看到"模型自我提升"的说法，先问一句：谁判对错？判据能外部验证（答案、测试、规则），这招就扎实；全靠模型自己打分，就要留个心眼。它也解释了一种观感：模型在某些题型上越来越顺手，换一类新问题却未必更灵——它练的是自己已经会的那条路。
各家实现差异不小，具体细节以官方技术文档为准。