基于 Qwen3-8B SFT 构建推荐语生成强化学习训练方案，使用 VERL框架，设计GRPO 实现组内相对优化；在 H20 多机环境结合 DeepSpeed/FSDP 进行分布式训练与稳定性优化，相比 SFT baseline 训练方差降低 40%。

设计“质量-真实性-合规性”三层 Reward：质量层使用酒店 CVR 弱监督数据训练 MTBERT 评分模型（Spearman 0.78）；真实性层训练幻觉检测分类器（Acc 92%）进行扣分；调节层加入长度惩罚项。通过加权融合与消融实验确定权重，推荐语综合评分 +4%。

数据治理/数据流水线：在 XT 上搭建每日自动更新的训练数据表，沉淀特征与样本构建逻辑（按周/按月聚合 CVR/曝光/点击等统计用于弱监督标签构建与去噪），保障训练数据稳定供给与口径一致性。

工程化与可复现：使用 Python 编写统一的“训练-推理-测评”流水线脚本，训练配置以 YAML 管理（模型/数据分区/reward 权重/多机参数等），支持快速复现实验与批量对比。

评测体系：构建基于大模型评测的离线评估流程，对生成结果进行自动化打分与回归对比，辅助定位质量波动与 reward 设计问题。