当人们说他们在做 GRPO 时，他们并不是在做 *字面上的* GRPO，正如最初所制定的那样。更像是一种氛围的感觉。这就像人们说他们在做 SGD，但实际上他们的意思是他们在做 AdamW。

问我们任何事情 :)

“强化预训练”在你想要使用思维链来提高在诸如预测下一个单词这样的任务的表现时非常有用。