MLX-GRPO — это фреймворк для обучения больших языковых моделей, использующий исключительно платформу MLX от Apple. 

Этот проект, изначально разработанный для работы на Apple Silicon с использованием бэкенда Metal, реализует групповую относительную оптимизацию политики (Group-based Relative Policy Optimization, GRPO) с цепочкой подсказок. 

Процесс включает в себя подготовку набора данных, определение функции вознаграждения и обучение GRPO — и все это в чистой среде MLX (без CUDA).

Github Community