Sari la conținut

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

De la autor

Guides GRPO (Group Relative Policy Optimization) fine-tuning of language models with the TRL library, including GRPOTrainer configuration, composing multiple reward functions (correctness, format, length, style), dataset prep in chat format, Unsloth setup, LoRA merging, and monitoring reward, reward_std and KL. Use when training a model to follow a strict output format such as XML or JSON. Use when teaching verifiable tasks like math or code with objective correctness rewards. Use when improving chain-of-thought reasoning with custom reward functions. Use when debugging flat rewards, mode collapse, or OOM in GRPO runs. Do not use for plain supervised fine-tuning (use SFT) or when high-quality preference pairs exist (use DPO or PPO).

Instalare

npx skills add KalarisLabs/research-agent-skills --skill grpo-rl-training -a claude-code

Se instalează în .claude/skills/grpo-rl-training/ · Fiecare comandă descarcă skill-ul direct de pe GitHub cu utilitarul open source skills.

Descarcă .zip

Identic octet cu octet cu commit-ul scanat, cu licența depozitului și un fișier SOURCE.txt.

Vrei ca agentul să-ți propună skill-uri în timp ce scrii? Vezi cum folosești skill-urile din IDE.

Verificări de siguranță pe SKILL.md

  • Include scripturi pe care nu le-am verificatScăzut

De ce 76

Securitate85
Proveniență62
Întreținere100
Licență100
Adopție32

aiqbench calculează scorul de încredere din semnale publice. Nu este un audit de securitate, așa că citește un skill înainte să-l instalezi.

Skill-uri similare

Cele mai apropiate de acesta prin ce fac și când sunt folosite.

Note și recenzii

—

nicio recenzie

Ai încercat acest skill? Notează-l ca să-i ajuți pe alții. Autentifică-te

    Discuție

    Intră în discuție. Autentifică-te