系统探索 Qwen3-0.6B-Base 的 SFT 到 GRPO 后训练流程，通过奖励函数设计与 None 判别将数学推理准确率从 38.2% 提升至 55.2%。

使用 Next.js、MDX 和本地化内容文件构建的个人资料、写作与生活档案。

持续整理关于读论文、设计实验和管理研究产物的工作方法。