@akshay_pachaar: 如果要定制LLM，我会学习的微调技术：收藏此推。1. LoRA 2. QLoRA 3. Prefix Tuning 4. A…
摘要
该推文列出了15种LLM微调技术，并介绍了ART（Agent Reinforcement Trainer），这是OpenPipe的一个开源框架，用于使用GRPO训练多步骤代理，并通过W&B Training提供无服务器强化学习支持。
查看缓存全文
缓存时间: 2026/07/10 14:14
Agent 强化训练器
使用 GRPO 训练面向现实任务的多步 Agent。
相似文章
使用ART微调多模态大语言模型：基于艺术强化训练
ART（基于艺术强化训练）通过梯度反向传播优化原始视觉输入，实现对冻结的多模态大语言模型的参数高效微调，其性能与LoRA相当，同时支持为vLLM等高吞吐引擎预编译的计算图。
@_avichawla：SFT vs. DPO vs. RLVR，一篇讲清：三种方法都在定制大模型，但学习的监督信号各不相同……
一篇对比 SFT、DPO 和 RLVR 三种大模型定制方法的解析文章，包含在 Amazon SageMaker AI 上使用 GRPO 对 Qwen3 0.6B 在 GSM8K 数据集上进行训练的实测，准确率提升约 2.9 个百分点，并提供如何选择合适的监督方法的指导，以及 AWS 无服务器模型定制工作坊资源。
@akshay_pachaar: LLM工程师手册（每天30分钟，10周，50课）一个面向LLM推理服务的路线图，一切都指向一个服务，而不是分散在多个演示中。
一个为期10周、每天30分钟的工程师学习LLM推理服务的路线图，涵盖vLLM、SGLang、负载测试、量化以及优化技术，以构建一个可复现的基准测试。
@ethantsliu：meta-rl 引发代理式 LLM 探索 传统强化学习训练 LLM 代理使用固定策略，难以进行主动探索……
一篇新的研究论文将 LLM 代理训练重新定义为跨回合的 Meta-RL 问题，使用无评论家策略梯度实现在上下文中的适应，而无需梯度更新。LAMER 框架在长时程任务上相比标准 RL 基线将测试时性能提升了 11-19%，并且能更好地泛化到未见过的环境。
@akshay_pachaar: Andrej Karpathy 将LLM训练的整个历史总结为三个名词：- 文本 - 对话 - 及环境…
Andrej Karpathy将LLM训练概括为文本、对话和环境；Prime Intellect的Verifiers是一个开源框架，用于构建和共享LLM的强化学习环境，采用MIT许可证发布，附带一个包含2500多个环境的中枢。