# 强化微调

边缘AI应用开发长期依赖开发者手工编排固定智能体流程，难以应对异构数据模态与多样任务管线。SE2把开发拆成检索、推理、编码、测试四种原子操作，由协调智能体依据当前上下文自主选择下一步，并通过移动端运行时反馈与强化微调持续进化。在IoTBench基准和三个多模态边缘AI应用上，其合成程序相比八个先进基线最高提升26%准确率、降低28%资源消耗。

边缘AI应用开发长期依赖开发者手工编排固定智能体流程，难以应对异构数据模态与多样任务管线。SE2把开发拆成检索、推理、编码、测试四种原子操作，由协调智能体依据当前上下文自主选择下一步，并通过移动端运行时反馈与强化微调持续进化。在IoTBench基准和三个多模态边缘AI应用上，其合成程序相比八个先进基线最高提升26%准确率、降低28%资源消耗。

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。