когда люди говорят, что они делают GRPO, они не имеют в виду, что делают *буквальный* GRPO, как это было изначально сформулировано. Скорее, это что-то вроде настроения. Это как когда люди говорят, что они делают SGD, но на самом деле имеют в виду, что делают AdamW.

не помогло, что все названия улучшений были довольно глупыми. "Доктор GRPO, это означает GRPO [D]one [r]ight" давай, чувак. постарайся немного больше.

много исправлений также пришло из документа DAPO, но это было не то, что в документе называлось DAPO, поэтому мы просто будем называть это GRPO с этого момента. все в порядке. мы имеем в виду хорошую версию