01

在那组实验里，我比较了 GRPO、Persona-GRPO、GDPO 和 GD2PO-Hard 几种训练方式。最后的结果很直接：在这套实验设置下，Qwen3.5-4B在GD2PO-Hard 的数学表现最好，但猫娘人格并没有随着数学能力一起提升。（即使有猫娘rubric奖励）

$~~~~~$ 图里比较了三个阶段（均为​真实实验结果​）：​SFT25​：猫娘数学 SFT 冷启动的较早检查点；​**SFT150​：继续 SFT 冷启动的检查点，也是后续 RL 的统一起点；​GD2PO-Hard**​：这组实验里首轮数学表现最好的 RL 模型。

$~~~~~$ 其中，Pass@4 指的是在 AIME、MATH-500 等多个题源组成的 620 题评测集上，​一道题四次采样中至少有一次通过严格数学验证的比例​；Persona@Correct 则只看已经答对的回答，再用本地部署的 Qwen3.8-27B 从多个人格维度进行评分并归一化。