Lexmount Browser Lab — H100 GRPO 训练复现

本仓库只做一件事:在 H100 上复现我们已验证的 Browser-RL 训练——

Qwen3-8B + verl GRPO + Lexmount 云浏览器(NeMo-Gym 环境服务)+ WebVoyager 真实网站任务 + LLM 裁判二元奖励,60 步,reward 均值 ~0.105 → ~0.289。

全部所需内容都在 training/h100/ 一个目录里:启动脚本、训练运行时、任务数据,自包含。

快速开始

1. 准备:一台 8×H100-80GB(或两台)、Docker + NVIDIA container toolkit、两个 API key(Lexmount 浏览器 + deepseek-v4-flash 裁判接口)。
2. 照着 training/h100/README.md 走六步——每步一条命令,直到看见 LAUNCH_OK。
3. 曲线看 TensorBoard 的 critic/rewards/mean,参考数字与预期形状同在该 README。

目录

路径	内容
training/h100/README.md	复现指南(准备 → 六步启动 → 看结果)
training/h100/ 其余	启动脚本、runtime/ 训练运行时、data/ 任务数据(含哈希链)