ThinkingBox用RL提升Qwen3.8-27B任务成功率
ThinkingBox用RL提升Qwen3.8-27B任务成功率。团队将数据库状态检查转化为奖励函数，经50步GRPO微调后，模型平均成功率从51.70%提升至60.78%，有效解决代理人虚报完成问题。
# GRPO
共 2 篇相关文章
TRL+GRPO微调LFM2.5提升结构化输出
本文介绍使用TRL库中的GRPO算法对LFM2.5-350M模型进行低成本微调，以优化其结构化输出能力。在IFStruct基准测试中，得分从22.6%提升至29.7%，验证了小模型通过特定任务微调可接近大模型水平。