淬火

熵崩塌、reward hacking、长度爆炸、KL 跑飞、OOM。每一种给现场证据，你来判断和处置。

• 看到日志和曲线就能认出是哪一种失效
• 对每种失效给出第一步处置动作，而不是把所有参数都动一遍
• 知道哪些失效是必须重启训练的，哪些可以边跑边救

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。

• 搭一条固定种子、固定采样参数的评测流程
• 说清 greedy 与采样、pass@1 与 pass@k 分别适合报什么
• 识别评测污染与「过拟合到测试集」的迹象

十几个超参不必都调。按影响排序，前三个决定成败，剩下的基本不用碰。

• 按影响力给 GRPO 的超参排序，并说出每个的合理起始值
• 判断一个现象该调哪个参数，而不是全部微调一遍
• 在有限的卡时里设计出信息量最大的实验序列

用你在 L0 测出的 tok/s，算出一次实验的墙钟时间。计算器帮你在开跑之前就知道要等多久。

• 估出一次训练的总时长，误差在 30% 以内
• 说出 rollout 与训练各占多少时间，以及该优化哪一头
• 在给定时间预算下反推出该缩哪个参数

你已经能在单卡上完整跑一轮 RL。接下来是 agentic RL、多轮工具调用、更大的模型——以及它们各自要求什么。

• 知道 agentic RL 与单轮 RLVR 在工程上的差别
• 列出继续深入需要补的三块知识
• 给自己排一个下一步的具体项目