GEPA通过自然语言反思优化提示，而非更新模型权重，在复合AI系统上比GRPO更高效。它利用反馈函数提供详细诊断，结合帕累托选择策略，避免局部最优。在HotpotQA任务中，仅修改一个模块提示，得分从38%提升至69%，且无需GPU训练。

这篇教程手把手教你用GRPO算法和Unsloth工具微调LFM2.5模型，实现从混乱的OCR文本中精准提取结构化发票数据。通过设计三重奖励机制（JSON格式校验、字段完整性、数值准确性），让AI学会自动生成标准发票JSON。教程包含完整实操步骤：环境配置、数据预处理、模型训练到效果评估，最终微调后的模型在提取日期和金额时，准确率显著提升。特别适合处理可程序化验证的结构化数据任务。

多模态大模型与强化学习的融合正掀起AI新浪潮！从视觉推理到复杂数学计算，通过规则奖励微调、分阶段训练等创新方法，模型在精准定位、逻辑推理等任务上表现惊艳。GRPO等策略让模型学会"思考"，而自适应推理、分层评估等方向将推动技术更智能、更可靠。这场"看懂世界+做出决策"的智能革命，正在重新定义AI的边界。

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。

本文探讨了如何通过GRPO技术优化护照信息提取模型。传统OCR方法在处理格式多样性和多语言文本时存在局限，而GRPO通过强化学习提升模型的推理能力，显著提高了提取准确性。实验表明，结合SFT和GRPO的模型在结构化字段提取上表现优异，尤其改善了MRZ数据的准确性。该方法为复杂文档处理提供了新思路，但仍有优化空间。