结构化输出经常被当成基础能力，但对工作流和 Agent 来说，它就是 接口可靠性 ：JSON 少一个必填字段、数组套错一层，后续工具调用就会直接失败。Hugging Face 这份实验展示了一条很小但清晰的后训练路径，用 GRPO 专门教一个 350M 参数模型遵守 Schema。
#先建立可复现基线
实验用 llama.cpp 在本地运行 LFM2.5-350M，并在 IFStruct 的 2000 个样本上测试。基础模型通过 452 个样本，总通过率 22.6%；JSON 为 18.0%，YAML 为 27.2%，裸列表只有 16.6%。这个拆分很重要，因为“结构化输出”不是单一能力，不同语法和顶层形态的难度差异很大。
训练数据来自 NVIDIA 的结构化输出指令集，约 500 条，每条包含 Prompt、目标 JSON Schema 和预期字段数。为了防止模型只学会固定输出裸 JSON，40% 样本额外要求把结果放进代码块，迫使模型同时理解内容约束与呈现指令。
#奖励函数必须能指出哪里错了
GRPO 会为同一个 Prompt 采样多个答案，再根据相对奖励更新模型。这里的奖励不只判断“能不能解析”，还检查 Schema 约束、必填键覆盖、字段数量与代码块要求。部分奖励让模型知道答案离正确还有多远，Schema 验证则守住最终门槛。
训练使用 LoRA，运行约 100 步。规模足以放进免费层 Colab 或 Kaggle GPU，重点不是追求通用能力，而是验证一个生产约束能否用便宜、公开的流程被强化。
#提升集中在训练真正覆盖的格式
微调后总通过率从 22.6% 升到 29.7%。JSON 从 18.0% 提升到 31.9%，裸列表从 16.6% 提升到 29.7%；YAML 只从 27.2% 变为 27.5%。结果没有表现成所有格式同步上涨，反而清楚说明训练分布决定了收益落点。
29.7% 仍然不够直接承担高风险生产接口，也略低于论文对 Qwen3.5-2B 报告的 33.15%。因此正确用法不是宣布小模型已经解决结构化输出，而是把它放进“生成—验证—重试或修复”的闭环，并用真实业务 Schema 继续训练。
这项实验最可复用的部分，是把模型能力拆成一个可执行测试：同一服务栈、同一基准、明确奖励和逐格式报告。对于高频、窄任务，先训练一个能稳定服从接口的小模型，可能比长期支付大模型溢价更合理。