GRPO

深入探讨在微调 9B 到 35B MoE 视觉语言模型（VLM）过程中，使用监督微调（SFT）和 GRPO 强化学习遭遇的真实踩坑记录与解决方案。

深入探讨 Andre Karpathy 在 nanochat 中实现的 300 行 GRPO 代码，分析如何通过简化的强化学习算法显著提升大语言模型在 GSM8K 等数学逻辑任务中的表现。