SKILL

post-training-grpo-rl-training

使用 TRL 进行 GRPO/RL 微调的专家指导,用于推理和特定任务模型训练。

译文已校对
查看英文原文

Expert guidance for GRPO/RL fine-tuning with TRL for reasoning and task-specific model training

适用对象:学习与科研。自动收录 · 待核查。

原作者说明节选

从固定版本的 SKILL.md 提取,保留原文语言。以下内容属于作者说明,本站尚未验证安装、兼容或运行结果。

查看英文原文

原文涵盖的主题

  • GRPO/RL Training with TRL
  • When to Use This Skill
  • Core Concepts
  • 1. GRPO Algorithm Fundamentals
  • 2. Reward Function Design Philosophy
  • Implementation Workflow
  • Step 1: Dataset Preparation
  • Step 2: Reward Function Implementation

Expert-level guidance for implementing Group Relative Policy Optimization (GRPO) using the Transformer Reinforcement Learning (TRL) library. This skill provides battle-tested patterns, critical insights, and production-ready workflows for fine-tuning language models with custom reward functions. Use GRPO training when you need to: Enforce specific output formats (e.g., XML tags, JSON, structured reasoning) Teach verifiable tasks with objective correctness metrics (math, coding, fact-checking) Improve reasoning capabilities by rewarding chain-of-thought patterns Align models to domain-specific behaviors without labeled preference data Optimize for multiple objectives simultaneously (format + correctness + style) Do NOT use GRPO for: Simple supervised fine-tuning tasks (use SFT instead) Tasks without clear reward signals When you already have high-quality preference pairs (use DPO/PPO instead) -- Key Mechanism: Generates multiple completions for each prompt (group size: 4-16) Compares completions within each group using reward functions Updates policy to favor higher-rewarded responses relative to the group Critical Difference from PPO: No separate reward model needed More sample-eff

这里只展示节选,请以完整原文和当前要求为准。

来源仓库
davila7/claude-code-templates
源文件
cli-tool/components/skills/ai-research/post-training-grpo-rl-training/SKILL.md
固定版本
21be197f100a12b8d0dd9a211cc244c8179f84d3
阅读完整原作者说明 ↗

准备条件

  • 本条仅收录原作者的技能元数据;请阅读完整说明,确认依赖、许可与使用条件。

第一件可以尝试的小事

先阅读原作者说明,再决定是否在自己的 AI 工具中使用。

对应 AI 工具说明

作者有说明不等于本站实机验证。没有证据时,不自动标为兼容、安全或免费。

来源与内容状态

本条为自动发现的元数据,尚未完成人工文档核查;适用性与运行结果待核查。

原作者:davila7/claude-code-templates · 原作者仓库元数据。文档核查:未核查。最近来源检查:2026-11-09T14:01:43.323Z。

分类由名称、说明与路径规则生成,分类不代表已核实适配。

许可与权利归属

MIT。第三方内容及版权归原作者,使用条件以原文为准。

许可原文 ↗

本站没有因同步、复制或用户自报成功而将资源标为运行验证通过。

限制与注意事项

  • 元数据收录不代表本站已经安装、适配、实测或进行安全审查。