GRPO

微調整しても正答率29.7%止まり——Qwen3.5-2Bの33.15%に届かず

LFM2.5-350MをGRPOで100ステップ微調整すると構造化出力の正答率は22.6%から29.7%に上昇。だが同じ比較表に載るQwen3.5-2Bの33.15%にはまだ届かない。制約デコードや乗り換えとの比較で読む。