Tunix GRPO、LoRAアダプター、GSM8K報酬を用いたGemma-3の構造化数学的推論トレーニング

このチュートリアルでは、Tunix、JAX、LoRA、カスタム報酬関数を使用して、Gemma-3がGSM8K数学問題を解決するためのエンドツーエンドのGRPOトレーニングワークフローを構築します。環境準備、Hugging Face認証、モデル読み込み、プロンプト形式設計、報酬関数定義、LoRAアダプター適用、ベースライン評価、GRPOトレーニングをカバーします。