用途：当目标任务的成功与否可由算法判定（单元测试通过、解析器接受输出、工具调用匹配预期 schema、数学答案匹配标准答案）时，用 GRPO 与可验证奖励强化学习（RLVR）训练推理与可验证任务行为。若评分需人工判断或主观标准，应先解决评测框架与评判校准问题，而非直接上 RL。
前提：模型必须已能偶尔成功完成目标任务。RL 只是对已有能力重新加权，无法从零安装能力。若模型在低温度多样本下从不成功，说明是格式或任务理解缺口，应先回到 SFT，待基础成功率非零后再使用本技能。若成功不稳定，则正是 GRPO 的适用区间。整体原则：偏好用 DPO，推理用 GRPO。
主要能力：给出可直接被训练工程消费的经校验 GRPO 配置（含 references/grpo-memory.md 中的参数值与 references/reward-functions.md 中的奖励函数），而非自由建议。参考配方基于 TRL 的 GRPOTrainer 与 vLLM 生成，关键参数包括 use_vllm=True、vllm_mode="colocate"（单 GPU）或 "server"（多 GPU）、num_generations=8（下限）、learning_rate=5e-7、beta=0.01、bf16=True 等。奖励为复合式：格式奖励加正确性奖励。
使用方式：先确认存在可验证的通过/失败信号与验证器；按参考配方配置 GRPOTrainer，train_dataset 仅含 prompt；在正式训练前执行强制检查门——对 50–100 条采样输出人工阅读奖励函数判定结果，若与人工判断不一致，先修奖励函数。基础配方稳定后再按具体失败模式选择变体：熵崩溃或长思维链退化用 DAPO；奖励或输出长度随质量无关上升用 Dr.GRPO；训练 MoE 模型用 GSPO。不要预先选择变体。
限制：视觉语言 RL 在 v1 中仅为参考说明，不可执行，工具链分散且易出现只优化文本推理而忽略图像的奖励黑客问题。内存规模、vLLM 睡眠模式、优化器状态等细节见参考文件；DGX Spark 上的内存与散热问题需参考 dgx-spark-ops 插件。