在一张 5090 上把 RL 跑通

27 节课，终点是同一个：你自己手写一份 GRPO，在单卡 32GB 上把 Qwen3-0.6B 的数学题正确率训上去，然后换成 TRL 框架再跑一遍做对照。先挑一条和你现在情况最接近的路线 —— 三条线共用同一份进度，随时可以切。

先把公式推明白，代码只是公式的转写13 节 · 约 8 小时 · 已完成 0/13

按概念的依赖顺序走：策略梯度 → 基线 → PPO → GRPO，每一步都落到具体公式。动手部分保留手写实现，因为那是验证你真的懂了的唯一方式；环境和框架的工程细节压后。

3 节 · 75 分钟

知道 RL 在整条后训练链路的哪一段

3 节 · 110 分钟

这条线的主课，三节课从策略梯度推到 GRPO

4 节 · 195 分钟

公式对不对，跑一遍就知道

3 节 · 115 分钟

同样的算法，放大一千倍之后要解决什么

这条线是挑着学的，没排进来的课不会消失 —— 切到「完整主线」就是按 L0–L4 通读的全部 27 节。三条路线共用同一份进度。