# grpo-rl-training

Скилл для дообучения моделей методом GRPO через библиотеку TRL: готовые шаблоны функций награды и конфиги обучения.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 963 установки · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/grpo-rl-training/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/grpo-rl-training

## Что делает

Скилл описывает, как настроить Group Relative Policy Optimization на библиотеке TRL. Модель генерирует несколько вариантов ответа на один промпт, они сравниваются внутри группы по функциям награды, и политика смещается в сторону удачных вариантов. Отдельная reward-модель не нужна, поэтому отладка проще, чем у PPO.

Внутри — рабочий процесс из трёх шагов: подготовка датасета в chat-формате с системным промптом, реализация функций награды и конфигурация `GRPOConfig`. Функции награды разбиты по назначению: за правильность ответа, за формат вроде XML-тегов, за длину. Есть вариант с частичным зачётом, когда баллы начисляются за каждый открытый и закрытый тег отдельно. Автор советует комбинировать 3–5 функций сразу.

Для запуска нужны `transformers>=4.47.0`, `trl>=0.14.0`, `datasets>=3.2.0`, `peft>=0.14.0` и `torch`. Конфиг в примере рассчитан на маленькую видеокарту: батч 1, накопление градиентов 4 шага, learning rate 5e-6. Если у вас уже есть качественные пары предпочтений, GRPO не нужен — берите DPO или PPO.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill grpo-rl-training -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/grpo-rl-training/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/grpo-rl-training/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill grpo-rl-training -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/grpo-rl-training/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill grpo-rl-training -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/grpo-rl-training/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs grpo-rl-training
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/grpo-rl-training/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill grpo-rl-training -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 06-post-training/grpo-rl-training
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/grpo-rl-training/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill grpo-rl-training -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/grpo-rl-training/SKILL.md

## Когда брать
- заставить модель отвечать строго в XML-тегах
- обучить модель решать задачи с проверяемым ответом
- наградить цепочку рассуждений перед финальным ответом
- настроить обучение на одной видеокарте с малым батчем
- собрать несколько функций награды в один сигнал

## Примеры запросов агенту
- помоги настроить GRPO-обучение через TRL для моей модели
- напиши функцию награды за формат с XML-тегами reasoning и answer
- подбери параметры GRPOConfig под одну видеокарту

## Похожие
- [grpo-rlvr-training](https://affpapa.org/nevibecode/skills/grpo-rlvr-training.md) — скилл · 2600 установок
- [trl-training](https://affpapa.org/nevibecode/skills/trl-training.md) — скилл · 909 установок
- [preference-optimization](https://affpapa.org/nevibecode/skills/preference-optimization.md) — скилл · 2600 установок
- [huggingface-llm-trainer](https://affpapa.org/nevibecode/skills/huggingface-llm-trainer.md) — скилл · 2200 установок
- [llm-fine-tuning](https://affpapa.org/nevibecode/skills/llm-fine-tuning.md) — скилл · 318 установок
- [pufferlib](https://affpapa.org/nevibecode/skills/pufferlib.md) — скилл · 1900 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md