REFERENCE 0003 / 实验合同
到手价助手
这是自行定义的教学规则。输入金额均为整数分，输出只有应付金额。
标准答案怎么计算
- 小计 = 单价 × 数量。
- 优惠前小计 ≥ 满减门槛：使用优惠金额；否则优惠为 0。
- 优惠前小计 ≥ 包邮门槛：运费为 0；否则收基础运费。
- 应付 = max(小计 − 实际优惠, 0) + 实际运费。
单价 9900，数量 3
满 20000 减 3000
基础运费 600，满 30000 包邮
小计 29700 → 满减后 26700 → 不包邮
输出 {"payable_cents":27300}边界必须包含恰好达到门槛、差 1 分、超过 1 分、优惠大于小计和 0 运费。实现与反例见 lab.py。这是实验规格，不是任何平台的官方计价规则。
严格协议与奖励
| 输出 | 奖励 | 说明 |
|---|---|---|
| 单字段整数 JSON，金额正确 | 1.0 | 格式和正确性都通过 |
| 单字段整数 JSON，金额错误 | 0.2 | 只有格式的教学辅助信号 |
| 其他输出 | 0.0 | 拒绝围栏、额外文字、重复键、布尔值、小数、指数和额外字段 |
0.2/1.0 是本实验设计的权重，不是 GRPO 标准常数。评分器将答案转为整数后完整比较，不用“字符串里包含正确数字”判断。本轮 reward callback · 实现接口
若一组生成的奖励都相同，组内标准化优势为零；先找原因，再决定是否训练。用于理解的简化式：Aᵢ = (rᵢ − 组均值) / (组标准差 + ε)。这里 ε 是数值稳定项，不是配置中表示 ratio clipping 的 epsilon。原理与日志
每阶段留下什么
| 阶段 | 最少证据 | 不能据此断言 |
|---|---|---|
| 数据 | oracle 检查、split 隔离、seed、hash | 模型已学会 |
| SFT | 有限 loss、实际更新、adapter 与重载 | 未见任务正确率提升 |
| GRPO | SFT 起点、真实采样奖励、优势、更新与新权重 | 奖励增长就代表泛化提升 |
| 质量 | 同题同解码三阶段对照、失败桶与资源 | 合成任务结果可直接迁移业务 |
| 服务 | 模型加载路径/hash、健康、请求与完整回包 | HTTP 成功就代表金额正确 |
报告格式通过率、格式通过条件下的金额准确率、全体样本的联合正确率，另列门槛边界错误。验证集用于调整；固定测试集用于方案冻结后的比较。见 完整验收路线。