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?

ну разное у меня щас с искуственными данными больше упор на sft и чтобы иметь возможность претренить свои модельки а чел тут через grpo пытается модельку чисто…

окей, спасибо за разъяснение)

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

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