AI 实操指南
用GRPO算法调教3B小模型：不走SFT弯路的企业专属微调方案
告别繁琐SFT与昂贵的Critic模型，利用GRPO（群组相对策略优化）在单卡RTX 4090上对3B参数模型进行强化学习微调。本文提供具体的奖励函数编写模板、显存控制参数及实战流程，帮助中小团队以最低成本实现垂直领域的
阅读全文
Search
站内搜索
关键词：奖励函数
找到 3 篇相关文章
AI 实操指南
AI 实操指南
Agent 逻辑总跑偏，GRPO 能做什么
当 Agent 在多步任务里反复跑偏，继续加“请一步步思考”往往只能改变当次输出。GRPO 去掉 Critic，用同题多回答的相对得分更新模型，把优化重点移到可验证的奖励规则。
阅读全文Humanoid发布会后，G1步态算法能确认哪些变化
G1的受扰恢复演示能说明动作结果，却不能反推出奖励函数、域随机化或RL代码占比。结合公开资料，更值得关注的是实时控制、Sim2Real及任务中的连续稳定性。
阅读全文