Oliver1515/

Qwen-7B-chat-sudoku-grpo-steps500

用GRPO实现一个简单的数独游戏。

本次实验我们使用GRPO的方法，用lora来做微调，框架选择trl，我们对比了7B模型的训练效果，并且通过不断地调整参数实现最终准确度达到86%。