使用Tunix GRPO、LoRA适配器和GSM8K奖励训练Gemma-3进行结构化数学推理

本教程构建了一个端到端的GRPO训练工作流，利用Tunix、JAX、LoRA和自定义奖励函数，教会Gemma-3解决GSM8K数学问题。内容包括环境准备、Hugging Face认证、模型加载、提示格式设计、奖励函数定义、LoRA适配器附加、基线评估以及GRPO训练。