返回资源列表

Hugging Face · Leonie Monigatti · Ben Burtenshaw · Sergio Paniego

Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps

Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps是Hugging Face的免费实践教程（en）。前置条件：需要了解 LLM 微调与 LoRA 的基本概念、会写 Python，并熟悉命令行操作；文中的代码细节（如 LoraConfig、GRPOConfig 参数）默认读者有一定 TRL 使用经验。

读者能按文中流程用 TRL 的 GRPO 对 350M 小模型做 LoRA 微调，并用 llama.cpp 对结构化输出遵循度做基准评测；按开头摘要，性能从 22.6% 提升到 29.7%（微调后的评测一节正文未在节选中提供）。

打开官方课程
难度
见前置条件
类型
教程 · 实践教程
语言
en
规模
1 个课节
内容费用
免费
动手
需要动手环境

使用限制

无需登录即可阅读全文；实操需要安装 uv 与 llama.cpp，以及能跑训练的 GPU 环境（免费级 Colab 或 Kaggle 可用），并可从 Hugging Face 下载模型与数据集。

学习材料
访问 Hugging Face 公共模型与数据集（LFM2.5-350M-GGUF、Nemotron 结构化输出数据集、IFStruct 数据集），教程未要求登录
练习与作业
训练需要 GPU，文中 notebook 按免费级 Colab 或 Kaggle GPU 设计Colab 或 Kaggle 账号（用于运行训练 notebook）
内容提示
原站推广：正文是完整教程的同时，页面含 Hugging Face PRO、Enterprise Support 等站点级推广入口，并引导读者前往配套 notebook、IFStruct 基准等作者相关资源。

  1. 选择学习环境

    按你的电脑系统准备；提示词在你自己的电脑上使用。

    WindowsmacOSLinux

    本机动手

    先在机器上装好 uv 与 llama.cpp，用 llama.cpp 启动基线模型服务跑 IFStruct 评测；再到 GPU 环境按 notebook 准备数据、配置 LoRA 与奖励函数、训练 100 步；最后复测对比（合并与保存模型一节正文未在节选中提供，需按原站内容操作）。

    微调需要一块 GPU（配套 notebook 按免费级 Colab 或 Kaggle GPU 设计）；评测可选择在本地机器上通过 llama.cpp 运行（文中示例为 Apple M5 Max、36 GB 统一内存的 MacBook Pro），并非必需条件。需安装 uv 与 llama.cpp，并能访问 Hugging Face 上的模型与数据集。

  2. 准备工具和账号

    标“选用”的可以跳过。

    • uv 管理 Python 环境并运行 ifstruct-eval 等命令
    • llama.cpp 以 GGUF 权重启动 OpenAI 兼容服务，供评测调用
    • TRL 使用 GRPOConfig 与小模型加载器做 GRPO 微调
    • 配套 notebook 完整可运行的微调流程
    • IFStruct 评测仓库 获取 ifstruct-eval 评测工具
    • Colab 或 Kaggle提供免费级 GPU 运行训练

    运行费用：实践可能产生费用，文中称训练 notebook 适配免费级 Colab 或 Kaggle GPU，未写明必须付费；若使用更强的云端 GPU 或付费推理服务则可能产生费用。

  3. 让 AI Agent 一次搭好课程

    复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检；需要账号、权限或费用时会先问你。

    开课提示词 · 只需用一次此提示词尚未实测验证
    请帮我把「Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps」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/grpo-with-trl-ifstruct
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：实践以推理服务 + GPU 训练的闭环为主：先复现基线分数，再训练 100 步后对比 IFStruct 结果，并查看常见错误（必填字段缺失、字段数不符、类型不匹配等）在微调后的变化。
课节（官方顺序）：
1. Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps：https://huggingface.co/blog/grpo-with-trl-ifstruct

1. 环境
- 本地/评测机器：安装 uv 与 llama.cpp（macOS 可用 Homebrew），可运行 llama-server
- 训练环境：免费级 Colab 或 Kaggle GPU
- Python：通过 uv 管理，使用 TRL 与相关依赖
- 需可访问 Hugging Face 上的模型、数据集与 GitHub 仓库
- 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/grpo-with-trl-ifstruct
3. 目录（最外层放在我确认的位置）
grpo-trl-ifstruct-structured-outputs/
├── 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-fine-tuning-a-350m-model/
- 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。
  - llama-server --version  → 输出 llama.cpp 版本信息
  - uv run ifstruct-eval --help  → 显示评测工具参数说明
  - 打开配套 notebook，确认能加载 Nemotron 结构化输出数据集  → 数据集加载成功且样本数约 500 条
- 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。
    搭好后的课程目录
    grpo-trl-ifstruct-structured-outputs/
├── 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-fine-tuning-a-350m-model/
准备好了，开始学习

常见问题

免费吗？

免费：节选里可直接读到教程完整正文（环境安装、评测命令、数据与 LoRA 配置），页面未设付费墙；侧栏的 PRO/Enterprise 等入口不改变本资源费用。实践可能产生费用：文中称训练 notebook 适配免费级 Colab 或 Kaggle GPU，未写明必须付费；若使用更强的云端 GPU 或付费推理服务则可能产生费用。

需要什么基础？

需要了解 LLM 微调与 LoRA 的基本概念、会写 Python，并熟悉命令行操作；文中的代码细节（如 LoraConfig、GRPOConfig 参数）默认读者有一定 TRL 使用经验。软件、账号与硬件：微调需要一块 GPU（配套 notebook 按免费级 Colab 或 Kaggle GPU 设计）；评测可选择在本地机器上通过 llama.cpp 运行（文中示例为 Apple M5 Max、36 GB 统一内存的 MacBook Pro），并非必需条件。需安装 uv 与 llama.cpp，并能访问 Hugging Face 上的模型与数据集。

有中文吗？

本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。

怎么开始？

从原始资源入口开始：https://huggingface.co/blog/grpo-with-trl-ifstruct。本页“学前准备”列出环境与工具，“学习指南”给出开课提示词，可以在自己的电脑上按步骤开始。开课提示词尚未完整验证。学习材料需要自备：访问 Hugging Face 公共模型与数据集（LFM2.5-350M-GGUF、Nemotron 结构化输出数据集、IFStruct 数据集），教程未要求登录；练习与作业需要自备：训练需要 GPU，文中 notebook 按免费级 Colab 或 Kaggle GPU 设计、Colab 或 Kaggle 账号（用于运行训练 notebook）。

来源与使用须知

原始资源
Hugging Face
收录时间
本站首次收录 2026-10-28原站首次发布 2026-09-03
指南参考
课程主页

版权与转载

  • 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
  • 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。