# Training a coding model to paint watercolours with TRL and OpenEnv

- 发布方：Hugging Face；作者：Sergio Paniego
- 形式：文章 · en
- 原始资源：[https://huggingface.co/blog/train-to-paint-with-code](<https://huggingface.co/blog/train-to-paint-with-code>)
- 本站页面：[https://oplearnx.com/resources/res\_fvgqg27dnvgt](<https://oplearnx.com/resources/res_fvgqg27dnvgt>)
- 学习主题：人工智能 / 机器学习 / 强化学习；人工智能 / 大语言模型 LLM；人工智能 / 大语言模型 LLM / 微调与对齐
- 内容状态：状态待核验
- 原始发布时间：2026-09-03 08:00
- 本站首次收录：2026-10-28 00:03

## 能学到什么

理解如何用 TRL 的 GRPO 训练器配合 OpenEnv 环境，为代码模型设计多成分审美奖励，并按文章给出的命令跑通一次端到端 RL 训练。

- 说明本项目如何用 TRL 的 GRPO 训练器对代码模型做强化学习微调
- 说出奖励函数四个组成部分（gate、length、pairwise judge、HPSv3）各自衡量什么及其权重
- 解释为什么把奖励建立在人工评级的参考图池上，以及 gate 如何拒绝作弊输出
- 对比 judge-led、hps-led、hps-only 三种奖励配比的设计意图与停止步数
- 看懂文章给出的 hf jobs 训练命令中各参数的含义，并把训练产物推送到 Hub

## 适合我吗

- 适合：想用 TRL \+ OpenEnv 做实操型 RL 训练、并愿意按文章公开的 Space、仓库与命令复现实验的学习者。
- 需要留意：只想学强化学习或 LLM 微调基础理论、或希望无需任何付费算力就能完整复现训练的学习者。

## 前置条件与费用

- 知识前置：需要了解强化学习基本概念（策略、奖励、GRPO 类方法）和 LLM 微调流程，并能读懂 Python 与命令行脚本。
- 软件、账号与硬件：复现训练需 Hugging Face 账号、HF\_TOKEN、可用的付费 GPU/Jobs 算力与 Inference Providers 调用权限；仅阅读无需上述条件。
- 内容费用：免费：网页为公开博客全文，节选中可直接读到奖励函数构成、权重表、三次实验设置与训练命令等主要学习内容，未见付费墙或登录拦截。
- 实践费用：实践需要付费：文章给出的训练命令用 hf jobs 提交 h200 算力（--timeout 48h），并通过 HF Inference Providers 调用 Qwen3-VL 裁判模型，复现需付费算力与推理服务。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- [Hugging Face 账号与 HF\_TOKEN](<https://huggingface.co/join>)：管理 Space、Jobs 与模型仓库
- [uv / hf CLI](<https://huggingface.co/docs/huggingface_hub/guides/jobs>)：用 hf jobs uv run 提交训练脚本
- [TRL](<https://huggingface.co/docs/trl>)：提供 GRPO 训练与训练脚本
- [OpenEnv](<https://github.com/huggingface/OpenEnv>)：构建与运行 RL 环境
- [项目仓库](<https://github.com/adithya-s-k/HuggingEnvs/tree/main/02-watercolour>)：存放环境、训练脚本与结果

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Training a coding model to paint watercolours with TRL and OpenEnv」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/train-to-paint-with-code
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文章命令提交训练，观察日志与指标变化；也可先只阅读文章已公开的奖励权重表、三次实验对比与作者公开的全部产出。
课节（官方顺序）：
1. Training a coding model to paint watercolours with TRL and OpenEnv：https://huggingface.co/blog/train-to-paint-with-code

1. 环境
- Python 与 uv
- Hugging Face 账号及 HF_TOKEN
- 可用的 GPU 算力（Jobs）
- TRL、OpenEnv
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/train-to-paint-with-code
3. 目录（最外层放在我确认的位置）
trl-openenv-watercolour-rl/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-training-a-coding-model-to/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - hf auth whoami  → 显示已登录的 Hugging Face 用户名
  - 打开自己复制的环境 Space，确认状态为 Running  → 页面显示 Space 正常运行、可调用
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Training a coding model to paint watercolours with TRL and OpenEnv」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/train-to-paint-with-code
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文章命令提交训练，观察日志与指标变化；也可先只阅读文章已公开的奖励权重表、三次实验对比与作者公开的全部产出。
课节（官方顺序）：
1. Training a coding model to paint watercolours with TRL and OpenEnv：https://huggingface.co/blog/train-to-paint-with-code

1. 环境
- Python 与 uv
- Hugging Face 账号及 HF_TOKEN
- 可用的 GPU 算力（Jobs）
- TRL、OpenEnv
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/train-to-paint-with-code
3. 目录（最外层放在我确认的位置）
trl-openenv-watercolour-rl/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-training-a-coding-model-to/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - hf auth whoami  → 显示已登录的 Hugging Face 用户名
  - 打开自己复制的环境 Space，确认状态为 Running  → 页面显示 Space 正常运行、可调用
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Training a coding model to paint watercolours with TRL and OpenEnv」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://huggingface.co/blog/train-to-paint-with-code
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文章命令提交训练，观察日志与指标变化；也可先只阅读文章已公开的奖励权重表、三次实验对比与作者公开的全部产出。
课节（官方顺序）：
1. Training a coding model to paint watercolours with TRL and OpenEnv：https://huggingface.co/blog/train-to-paint-with-code

1. 环境
- Python 与 uv
- Hugging Face 账号及 HF_TOKEN
- 可用的 GPU 算力（Jobs）
- TRL、OpenEnv
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://huggingface.co/blog/train-to-paint-with-code
3. 目录（最外层放在我确认的位置）
trl-openenv-watercolour-rl/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-training-a-coding-model-to/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - hf auth whoami  → 显示已登录的 Hugging Face 用户名
  - 打开自己复制的环境 Space，确认状态为 Running  → 页面显示 Space 正常运行、可调用
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Training a coding model to paint watercolours with TRL and OpenEnv」。课程目录是 trl-openenv-watercolour-rl/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Training a coding model to paint watercolours with TRL and OpenEnv](<https://huggingface.co/blog/train-to-paint-with-code>)

## 指南参考

- [课程主页](<https://huggingface.co/blog/train-to-paint-with-code>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：Hugging Face 账号及 HF\_TOKEN；Hugging Face Jobs 的 GPU（命令示例为 h200，48h 超时）；HF Inference Providers 调用 Qwen3-VL 裁判模型；复制作者的 RL 环境 Space 与打分模型 Space
- 转载与修改 · 课程页面与材料：未找到明确许可。节选未提及文章、仓库或数据的许可名称；文中仅称“the reference pool dataset, the RL environment, the training scripts and the trained models, all open”，未见具体许可 [依据](<https://huggingface.co/blog/train-to-paint-with-code>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）