训练、数据与模型优化：从数据清洗到 LoRA
DAPO 为什么可以不使用额外 KL 惩罚？它如何维持策略更新稳定？
原题SFT 训练数据如何获取、构造与清洗？
原题Tool-use 强化学习中的内容奖励应如何设计？
原题KV Cache Block 的哈希和逻辑到物理映射应该怎么设计？
原题Agentic RL 数据筛选为什么会排除部分学生错误轨迹？哪些可恢复错误反而值得保留？
原题Tool-use SFT 训练时，长轨迹采用截断、切分还是掩码？如何避免破坏工具依赖关系？
原题Tool-use 轨迹长度与任务复杂度有什么关系？训练数据应如何分布？
原题多工具调用存在依赖关系时，Reward 应如何做信用分配？
原题训练实验如何对 YAML 配置做规范化哈希，并保证单变量变化可复现？
原题如何训练模型做高精度抽取式摘要？数据、目标、Loss 和评测如何设计？
原题
暂无题目