实验与闯关
RL 是一门只能靠跑才能学会的手艺 —— 公式看懂了，第一次跑起来照样会 OOM、会不收敛。 这里把全部动手环节汇总在一起，你可以脱离课程顺序直接来练。
动手实验
需要一张 RTX 5090（或任意 ≥24GB 的卡），跟着步骤把训练真的跑起来。L0 开炉40 分钟
Blackwell 的工具链地雷：sm_120 到底装什么版本
5090 是 sm_120，用错一个 wheel 就是「no kernel image is available」。这一节把环境一次装对，并留下验证命令。
L0 开炉35 分钟
第一次推理：把 vLLM 跑起来，量出你的 tok/s
RL 的墙钟时间大头在采样。先把推理引擎跑起来，测出这张卡的真实吞吐，后面所有时间估算都以它为基准。
L0 开炉35 分钟仅大纲
先量起点：数据集与评测基线
RL 只能证明「比训练前好」。所以第一件事是量出训练前的分数，否则后面所有曲线都没有意义。
L2 手锻45 分钟
写 rollout：让模型自己生成一批答案
训练数据不是给的，是采的。这一节把「一个 prompt 采 8 条回答」写出来，并处理好 token 对齐。
L2 手锻35 分钟
写 reward 函数：把「答对了」变成一个数
两个 reward：答案对不对、格式规不规范。加起来就是这一轮的分数。
L2 手锻50 分钟
GRPO 的核心 20 行：优势、ratio、clip、KL
整个算法真正的实现只有二十行。这一节逐行写出来，并用打印验证每个中间量。
L2 手锻60 分钟
拼成训练循环：第一次真正的 RL 训练
把 rollout、reward、loss 串起来，加上权重同步和显存管理，在 5090 上跑完第一次训练。
L2 手锻60 分钟仅大纲
把分数再往上推：三轮迭代实验
同一套代码，只改超参和 reward，做三轮对照实验，把 GSM8K 分数推到你能达到的最高点。
L3 上机50 分钟
TRL GRPOTrainer：5090 单卡实跑
把手写脚本换成 TRL，跑同一个任务、比同一个分数。这是本站唯一在 5090 上被验证过的框架路径。
L3 上机40 分钟
训推同卡：colocate 的显存怎么分
单卡上训练和推理抢同一块 32GB。这一节把 colocate 模式调稳，并知道它比多卡慢在哪。
L4 淬火40 分钟仅大纲
评测：别用训练集骗自己
把评测做成一条能重复执行的流水线，让每次实验的分数可比。