用途：在 evo 工作流中为实验选择或诊断训练动作（SFT、LoRA、DPO/KTO/ORPO、RFT、GRPO/PPO/RLOO、RLHF）。原则是先定奖励、再选技术：可验证奖励（精确匹配、单元测试、解析器可判定）用 RL；偏好对用 DPO/KTO/ORPO；仅有示范用 SFT；有打分器又想要 SFT 稳定性用 RFT。SFT-then-RL 并非定律，可验证基准上从基座直接 RL 常更优。
用法：首个实验前用 evo:ideator 做文献调研；提交预算前先用约 10 条样例做 1 分钟冒烟测试，须产出可加载检查点与非零评估；超过约 30 分钟的训练在脚本内做周期检查点、小规模中途评估与回退早停，并保存最佳检查点。训练密集工作区可执行 evo config set max-attempts 1。支持从父检查点热启动（EVO_SEED_ARTIFACT / EVO_PARENT_POLICY），需将检查点声明为 artifact。可将 wandb、trackio 或 mlflow 接入训练脚本实时记录指标。昂贵中间产物缓存到工作区级 .evo/cache/。
诊断：可验证基准上 SFT 多次仍为 0，应转向以验证器为奖励的 RL；训练前基座低于随机说明缺知识而非格式；多次提交 delta<=0 说明该方法已耗尽；跨多种技术都停在同一非零分，多为训练与验证器目标不匹配。限制与具体超参、配方见 references/ 下文档；其余细节资料未提供。