Razor de RL: RL en la política olvida menos que SFT. Incluso con una precisión igualada, RL muestra un olvido menos catastrófico Factor clave: el sesgo de las actualizaciones de la política de RL hacia las soluciones mínimas de KL Teoría + LLM y experimentos de juguete confirman que RL se mantiene más cerca del modelo base