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

说实话，我认为他们如此忠于GRPO很大程度上是因为他们投入了大量资源来修复和理解它。他们愿意为了在新数据上实现更短的迭代周期而付出代价，例如长度偏差。如果你不是DeepSeek，或许你可以直接跳过GRPO。