我看到 verl 最近的 PR 加入了 score centering 的实现,正在尝试复现。🫡
我的配置仓库在 GitHub 上,我的各指标/日志在 SwanLab 上。
这里是我之前关于 SC 的笔记:BPO 与 Score Centering 笔记
已结束,模型记录在 huggingface。
使用模型:Qwen3-4B。
Qwen3-4B · SC+TIS
200–500 步:续训记录
模型从第 200 步 checkpoint 恢复。
0–200 步
查看0–200步的历史曲线(已完成)
Qwen3-4B · SC
20–500 步:续训记录
0-20 步
纯SC的前 20 步。