når folk sier at de gjør GRPO, mener de ikke at de gjør *bokstavelig* GRPO slik det opprinnelig ble formulert. mer en vibe-greie. det er som når folk sier at de driver med SGD, men de mener virkelig at de driver med AdamW

hjalp ikke at alle forbedringsnavnene var litt dumme. "Dr. GRPO, det står for GRPO [D]one [r]ight" kom igjen mann. prøv litt hardere

mange av rettelsene kom også fra DAPO-papiret, men var en annen ting enn tingen i papiret som ble kalt DAPO, så vi skal bare kalle det GRPO fra nå av. det er greit. Vi mener den gode versjonen