强化学习GRPO/DAPO

该类型专门面向大语言模型的强化学习阶段（如GRPO、DAPO等偏好对齐算法）。数据集以提示词（prompt）与奖励/评测标准（reward model）为核心，通过提供明确的正确答案（ground truth）或评测规则，驱动模型在策略迭代中实现自主对齐与推理能力的跃升。

数据格式示例

为便于展示字段层级关系，已将单行JSONL数据展开。

{
  "prompt": [
    {
      "role": "user",
      "content": "娜塔莉亚在四月份向她的48个朋友卖了回形针，五月份卖的数量只有四月份的一半。请问娜塔莉亚在四月份和五月份总共卖了多少个回形针？请逐步思考，并在“####”后面输出最终答案。"
    }
  ],
  "reward_model": {
    "ground_truth": "72"
  }
}

字段规范说明

对于JSONL文件中的每一条（每行）数据：