коли люди кажуть, що вони використовують GRPO, вони не мають на увазі, що вони використовують *буквальний* GRPO в тому вигляді, в якому він був спочатку сформульований. Скоріше вайб. це схоже на те, коли люди кажуть, що вони займаються SGD, але насправді вони мають на увазі, що роблять AdamW

Не допомогло те, що всі назви поліпшень були якісь дурні. "Доктор GRPO, це розшифровується як GRPO [D]one [r]ight" давай, чоловіче. Спробуй трохи сильніше

багато виправлень також прийшли з документа DAPO, але вони відрізнялися від того, що було в документі, який називався DAPO, тому ми просто будемо називати це GRPO з цього моменту. Це нормально. Ми маємо на увазі хорошу версію