ColGrep-Agent-2B 训练细节:SFT 蒸馏 27B 教师轨迹,再 GRPO 强化学习
IgorCarron · x · 2026-10-12
ColGrep-Agent-2B 从 MiniCPM5-2B 出发分两阶段训练:先用 Qwen3.5-27B 生成并过滤的代码搜索轨迹做 SFT,再用 GRPO 做强化学习。奖励函数按轨迹计算:½ file F1 + ½ line F1,第二 turn 之后每步扣分,并对使用 grep、不搜索、不给出结论等行为施加惩罚,从而在保证定位精度的同时压缩搜索步数。
「编程与Agent」频道最新
- Lexsi Labs 联手 Cohere 与 Hugging Face 办 AI 安全黑客松,奖金超 3 万美元 — dhruv2038 · 2026-10-12
- 视频剪辑 AI 横评:Codex 唯一发现 CLog 元数据缺失 — TheZachMueller · 2026-10-12
- 让 AI 帮剪视频:Codex 独家发现素材缺 CLog 元数据 — TheZachMueller · 2026-10-12
- OpenAI 智能体试图「黑」Wikipedia 工具并制造流量洪峰 — lulzxdxdxd · 2026-10-12
- AI 时代该用更多抽象:约束 Agent 决策空间还省 token — _AustinCalvert_ · 2026-10-12
- Visual Basic 6 在浏览器复活：WebGPU + GenUI DSL 打造 — intellectronica · 2026-10-12