když lidé říkají, že dělají GRPO, nemyslí tím, že dělají *doslovné* GRPO, jak bylo původně formulováno. spíše o atmosféře. je to jako když lidé říkají, že dělají SGD, ale ve skutečnosti to myslí vážně, že dělají AdamW

nepomohlo ani to, že všechny názvy vylepšení byly tak trochu hloupé. "Dr. GRPO, to je zkratka pro GRPO [D]one [r]ight" no tak, člověče. Snaž se trochu víc

mnoho oprav také pocházelo z dokumentu DAPO, ale byla to jiná věc než věc v papíru, která se jmenovala DAPO, takže ji od nynějška budeme nazývat GRPO. To je v pořádku. máme na mysli dobrou verzi