从 Actor、Critic 到 PPO Loss：用 GSM8K 理解语言模型强化学习
从 GSM8K 和 verl 实验出发，理解 PPO 中的 Actor、Critic、奖励对齐、GAE、概率比与反向传播。
3
|
0
标签
verl
从 Mac 到单卡 GPU：Qwen2.5-VL 部署、GRPO 与计数 LoRA 实践
在 M2 Pro 和云端单卡上部署 Qwen2.5-VL-3B，实测连续批处理、前缀缓存与 SGLang 参数调优，再用 verl 完成多模态 GRPO 更新和同条件前后评测，记录有效优化、兼容性问题与未观察到提升的结果。
6
|
0
