实践案例
实践案例：dapo-aime
Cookbook 页面 dapo-aime 演示在 DAPO-Math-17k 上用 **direct GRPO（无 SFT warm-start）**训练数学推理能力，AIME 2024 作为主评测，AIME 2025 / 2026 作辅助 eval。
配方参数
| 算法 | direct GRPO，不做 SFT warm-start |
| 底座 | Qwen/Qwen3-4B-Instruct-2507 |
| 训练数据 | BytedTsinghua-SIA/DAPO-Math-17k，本地物化到 data/train/full.jsonl |
| 主评测 | AIME 2024（data/eval/aime2024.jsonl） |
| 辅助评测 | AIME 2025 / AIME 2026（manifest 与主评测同一行合约提供） |
| Primary metrics | eval_accuracy、eval_greedy_accuracy、eval_pass_at_k |
为什么用 direct GRPO
数学题的奖励可程序化——不需要训练奖励模型。GRPO 的核心思路是同 prompt 多次采样、组内归一化奖励；这正好对应 MinT 里"奖励 / 验证器 / 环境反馈"对应到 GRPO Recipe（loss_fn='importance_sampling'）的路径。
Lifecycle 顺序
uv sync → --dry-run → --eval-only → 训练与 chat-dpo 同款：先装依赖、干跑数据通路、跑一遍基线 eval，再正式训练。细粒度可执行命令 Cookbook 指向上游 README。
在 MinT 上的对应
选择 GRPO Recipe 后，MinT 会走 loss_fn='importance_sampling' 路径。面板推荐超参 rank=32 / 5 轮 / lr=1e-4 / bs=8。控制台调通的流程可以迁移到 Python 脚本。
企业版差异
- 把底座升到
Qwen/Qwen3-30B-A3B-Instruct-2507或Qwen/Qwen3-4B-Thinking-2507（推理 / 思维链变体，见支持的模型）。 - MoE 模型平均单次完整微调耗时约 1 至 1.5 小时（30B 模型，A3B 结构，）。
- 训练完成保存检查点：每个检查点带上元数据（Recipe、数据版本、超参、评测分），方便回溯。
相关
RL 与 GRPO 算法本身见 RLHF / GRPO；想看 DPO 例子见 chat-dpo。