GRPO

5B 小模型后训练冲榜实录：BFCL 涨了 2 分，AA 指数五次试点全部失败

2026年10月17日

我们用 LoRA 后训练 K2-Horizon-3.7B，BFCL 函数调用从 55.60 提到 57.57；随后冲 Artificial Analysis 智能指数，弃答 DPO、同家族蒸馏、SciCode 拒绝采样微调共五次训练试点全部无效。本文给出数据、失败原因和踩坑清单。

低算力成本的新秀 Unsloth

2026年2月6日

简单聊聊 Unsloth 为什么被很多个人开发者喜欢，以及它和 SFT、GRPO、DPO 等训练方法的关系。

DeepSeek R1 论文解读：强化学习如何自主激发推理能力

2025年1月15日

分析 DeepSeek R1 论文的核心创新，包括 RL 推理、GRPO 算法和模型蒸馏。