ColGrep-Agent-2B 训练细节：SFT 蒸馏 27B 教师轨迹，再用 GRPO 强化学习

ColGrep-Agent-2B 从 MiniCPM5-2B 出发分两阶段训练：先用 Qwen3.5-27B 生成并过滤的代码搜索轨迹做 SFT，再用 GRPO 强化学习，奖励按 ½ file F1 + ½ line F1 逐轨迹计算，并对使用 grep、不搜索、不给结论等行为施加惩罚。该 2B 模型代码定位精度追平 10 倍大模型，本地运行免 API key。