某新創公司希望針對特定醫療診斷任務微調語言模型，但受限於資料取得困難，目前僅收集到少量已標註的診斷病例。在標註資料極為有限的條件下，強化微調（Reinforcement Fine-Tuning, RFT）相較於監督式微調（Supervised Fine-Tuning, SFT）最主要的優勢為何？
答案 （B）
核心概念
監督式微調需要大量「輸入－標準答案」配對，模型照著範例模仿，資料量不足就學不好。強化微調則改用獎勵訊號——只要能判斷「這個輸出好不好」（例如診斷結論是否符合臨床規則、格式是否正確），就能給出獎勵引導模型優化，不必為每一筆資料準備完整的標準答案。因此在標註資料稀缺、但評分準則明確的場景中，RFT 的資料效率明顯較高。
答題技巧
快速判斷技巧：看到 Reinforcement（強化）就找「獎勵／回饋訊號」的選項。再檢查敘述有沒有邏輯矛盾或過度誇大，通常四選一馬上收斂。
易錯陷阱：(A) 是自相矛盾的選項（需要大量資料 vs 資料有限仍穩定），讀太快會漏掉。這類題目務必把選項的前後半句放在一起檢查邏輯是否自洽。