Поскольку все говорят о RL-окружениях и GRPO, но никто не знает, как это работает, мы подумали, что было бы здорово сделать объясняющее видео + код, который вы можете запустить: Это пример использования GRPO для обучения Qwen 2.5 играть в 2048 (код в треде) 🧵: