15% 到 47%。
这不是股价的涨幅，也不是彩票的中奖率，而是一个只有 0.6B 参数的“小”模型，在数学推理能力上完成的暴力跃升。
更让人坐不住的是，这个成绩直接追平了官方同尺寸的 Qwen3 推理模型。
没有几千张 H100，也没有神秘的千亿参数，靠的是一行行“手搓”代码。
这一切，发生在刚刚过去的这个周末。## 周末搞出个大新闻
Sebastian Raschka，这位《Build a Large Language Model (From Scratch)》的畅销书作者，这周末几乎闭门谢客。
他在干什么？
他在死磕新书《Build A Reasoning Model (From Scratch)》的第 6 章。
这一章的主题硬核到让人头皮发麻：**从零开始实现带有可验证奖励的强化学习（GRPO）。**这不是简单的调包调用，而是把 GRPO 的每一个步骤——优势、奖励、对数概率、损失——全部拆开，用代码一步步重写一遍。
"I just finished it this weekend, and I'd say it is the best (or at least my favorite) chapter yet!"
Raschka 自己都忍不住在 X（推特）上凡尔赛了一把，称这是他最喜欢的一章。## 暴力提升：从15%到47%
为什么这一章这么重要？
因为数据不会说谎。
Raschka 拿着一个 0.6B 的基础模型，在 MATH 训练集的 12k 个例子上，用这套自己手写的 GRPO 算法跑了一遍。
结果炸裂。
模型在 MATH-500 测试集上的准确率，直接从 15% 飙升到了 47%。
要知道，MATH 数据集可是公认的“硬骨头”，里面全是高难度的数学竞赛题。47% 的准确率，意味着什么？
意味着这个“手搓”出来的小模型，其推理能力已经和官方同尺寸的 Qwen3 推理模型不相上下。
这就是算法的力量，也是“从零开始”的魅力。
拆解GRPO：拒绝黑盒
现在的 AI 圈子太喜欢讲“大力出奇迹”了。
好像参数不够大，数据不够多，就别谈推理。
但 Raschka 的做法完全不同。
他的核心理念很简单：**要想真正理解一个东西，就得自己动手造一个。**在这一章里，他没有使用任何封装好的“黑盒”工具，而是把 GRPO 算法赤裸裸地展示给读者看。
你可以看到代码是如何计算优势的，如何分配奖励的，又是如何通过损失函数反向传播的。
这不仅仅是训练模型，更是在解剖模型的“大脑”。
而且，这套代码不仅支持单机跑，还附带了多 GPU 并行运行的脚本。
不管你是想研究原理，还是想上实战，代码都给你准备好了。
"The code notebook is already available on GitHub."GitHub 链接已经挂出来了，想动手的可以去捡宝了：
github.com/rasbt/reasonin...
不仅是大，更是聪明
这其实揭示了一个被很多人忽略的趋势：推理能力，不完全等于模型规模。
Raschka 的新书《Build A Reasoning Model (From Scratch)》整本都在讲这件事。
你要学的，不仅仅是堆参数。
书里涵盖了构建推理模型的全套 pipeline：
- 如何实现核心推理改进？
- 如何不用更新权重就能提升推理？
- 如何用强化学习把计算器、搜索工具“塞”进模型里？
- 如何用蒸馏技术，让小模型学会大模型的“思考方式”？现在的顶尖模型，比如 Grok 4 和 GPT-5，之所以强，就是因为它们把这种多步推理的能力玩明白了。
它们不是在瞎猜，而是在一步步拆解问题，像做数学题一样写出“解题步骤”。
Raschka 做的，就是把这种“神技”平民化，让你也能在自己的实验室里复现出来。
下一步：更稳，更强
第 6 章虽然写完了，但故事还没完。
Raschka 透露，下一章会带来更多骚操作。
他会介绍额外的技巧和窍门，专门用来优化 GRPO 算法。目标很明确：让训练过程更稳定，让模型表现更好。
对于开发者来说，这比任何营销口号都实在。
"The next chapter will introduce additional tips and tricks to improve the GRPO algorithm for better and more stable training behavior."
目前，这一章的内容很快就会上线到书的早期访问版本。如果你不想等实体书，可以先去这里尝鲜：
mng.bz/Nwr7
在这个动辄千亿参数的时代，有人选择仰望星空，堆砌算力；也有人选择脚踏实地，从代码的每一行里抠出性能的提升。
显然，Raschka 属于后者。
而且，他证明了后者也能赢。
参考链接：
https://x.com/rasbt/status/2012897755916579278