LFM2.5-350Mを100 GRPOステップでファインチューニングし、構造化出力の精度を改善

LFM2.5-350Mを、TRLのGroup Relative Policy Optimization（GRPO）で約500サンプル・100ステップ学習し、IFStructベンチマークのスコアを22.6%から29.7%に向上させる手順を公開した。学習は無料枠のColabやKaggleのGPUで実行でき、ノートブックはGitHubで公開されている。評価はllama.cppを使ってMacBookでローカルに行い、ベースラインは22.6%で、IFStruct公式ブログの報告値21.1%に近い結果だった。