结构化输出是LLM落地的关键能力，但很多小模型在这一项上表现不佳。这篇教程公开了一套低成本、可复现的微调方案：用约500个样本和100步GRPO（Group Relative Policy Optimization），把LFM2.5-350M模型在IFStruct基准上的合规率从22.6%提升到29.7%。

整个流程在免费Colab或Kaggle GPU上就能跑完。作者使用TRL库实现GRPO，训练数据来自nvidia/Nemotron-RL-instruction_following-structured_outputs，并针对IFStruct的格式差异做了数据增强——40%的提示加上“返回代码块”指令，20%转为顶层数组任务。LoRA只训练约6M参数（占模型的1.66%），奖励函数由三个分量加权组合：格式正确性、字段数量匹配、JSON Schema校验。

微调后的模型在相同评估栈上测试，JSON通过率从18.0%跃升至31.9%，YAML基本不变（27.2%→27.5%），裸列表从16.6%提升到29.7%。最关键的提升集中在JSON格式和裸列表输出上，恰好对应训练目标。虽然仍未超过Qwen3.5-2B的33.15%，但已大幅缩小差距。

结论很明确：轻量、任务特定的GRPO微调可以让350M小模型在结构化输出合规性上获得显著提升，且成本极低。所有代码、数据、模型都已公开在GitHub和Hugging Face上，方便复现或扩展。