I trained a Language Model to schedule events with GRPO!

I trained a Language Model to schedule events with GRPO!

摘要

2025年，随着DeepSeek的爆火，GRPO成为训练推理模型的新宠。作者尝试用GRPO训练模型，解决事件调度问题。通过定义任务、生成数据集、设计奖励函数，作者成功训练出一个7B模型，性能甚至超越14B模型。尽管模型在避免事件重叠上仍有不足，但GRPO在可验证任务上展现了巨大潜力，简化了RL流程，凸显了基础模型和奖励函数设计的重要性。