来自 Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)（@teortaxesTex）的推文线程

忘了说最重要的一点：在 DS-Math 出现之前，只有 Frontier 能做强化学习，因为 PPO 太麻烦，而 DPO 的性能又不够好。讽刺的是，GRPO 既是他们最不起眼的贡献，也是影响最大的贡献。 此外：在 R1 之前，只有 Frontier 在基于结果的强化学习方面做得好。