Qwen3-235Bの事後学習を1ノードで試す：4bit QLoRA＋GRPOの実行構成と報酬設計

はじめに 医療LLMのプロジェクトで、Qwen3-235B級モデルに対する強化学習による事後学習に取り組みました。 結論から言うと、H100 80GB×8の1ノードで、4bit QLoRAとms-swiftを使い、GRPOの100ステップの生成・重み更新からチェックポイン...

Related

JapanUnlimited-OCR-2で完全ローカルOCRワークベンチ構築：長文PDF・数式・表もVRAM一定で爆速解析 Zenn (AI)

JapanClaude Desktopで「確認してから断定する」を全部の発言にかける——FA開発で使っている常時規則のスキル Zenn (AI)

JapanClaude Codeに「進捗どう？」と聞くのをやめた ― 隣の画面で勝手に育つ"きょうのボード" Zenn (AI)

JapanClaude と ホワイトボードで話そう！ (GRWB powered by Excalidraw) Zenn (AI)

JapanClaude Code で「ここを直して」を重ねても終わらない時、プロンプトより前に決めること Zenn (AI)

JapanAIの指示ファイル、コマンドを変えたら何を直す？ AGENTS.md・CLAUDE.md・Copilot指示の手入れ手順 Zenn (AI)

More from Qiita (LLM) on Accept All.