Fallarad/unique-code-rl：用 GRPO 强化学习训练 LLM 生成结构独特的代码

Fallarad/unique-code-rl 项目用 GRPO 强化学习训练 LLM 生成结构独特的代码，奖励新代码结构、惩罚复制同批次其他回答的结构。基于 Qwen3-4B（4-bit 量化）在 8 GB VRAM 的 RTX 5070 Laptop 上训练 1000 步后，每任务平均独特代码结构数从 1.0 升至 1.4，33% 的任务产出 2 到 5 种结构不同的解法，模型还自发将除数查找优化到 sqrt(n) 并使用 math.isqrt(n)。项目配套 AST 与 fuzz 测试的 evaluator.py 防作弊，mbpp 数据集约 956 个任务。