Hugging Face 工程师公开 Blender+GRPO 训练 rollouts,调试 VLM 裁判踩坑

mervenoyann · x · 2026-09-06

HF 工程师 Merve 分享其 Blender 3D 场景 GRPO 强化学习实验的中间问题：VLM 裁判的结构化响应（structured responses）存在异常；此外喂给裁判的倾斜视角图片过曝且分辨率偏低，她决定下次运行前先自行修复图像质量，而不是交给 agent 处理。完整的 rollouts 数据（含 reward、judge 截图、trace、scene 文件等 646 个文件）已公开在 Hugging Face bucket 上，可复现查看。