https://github.com/lean-dojo/LeanDojo-v2

Guided by Trajectories: Repairing and Rewarding Tool-Use Trajectories for Tool-Integrated Reasoning https://arxiv.org/abs/2601.23032…

ребятки, а sdpo кажись работает

у него не сильно отличается кажется способ тренировки от твоего? он только взял обычный калькулятор, а у тебя весь матан или я путаю?

https://samikhan.ai/blog/countdown-rl.html

тещу грпо обычный а-то я думал что он у нас поломался немного но вроде нет, прост промт системный надо было норм ставить