人々がGRPOをやっていると言うとき、それは最初に策定された「文字通りの」GRPOをやっているという意味ではありません。どちらかというと雰囲気のものです。それは、人々がSGDをやっていると言っているのに、実際にはAdamWをやっているというようなものです

すべての改善名がちょっと愚かだったのは役に立ちませんでした。「GRPO博士、GRPO [D]one [r]ightの略です」さあ、もう少し頑張ってください

修正の多くもDAPOの論文から来たものですが、DAPOと呼ばれる論文とは異なるものだったので、今後はGRPOと呼ぶことにします。大丈夫です。良いバージョンを意味します