复现 R1：GRPO 训练数学推理模型

用可验证奖励（RLVR）和 GRPO 在小模型上复现“越训越会思考”，深入理解奖励设计、训练稳定性和指标监控。

技术栈：Qwen2.5-Math-1.5B、verl、vLLM、Ray

目录

• 一、目标
• 二、训练流程
• 三、核心实现
• 四、难点与解决方案
• 五、评测与观察
• 六、简历怎么写
• 七、面试高频追问