#deepseek #must-read #post-training #reasoning #rlvr RLVR 范式：纯 RL 长出 long CoT。读 §2.2 规则奖励 + §2.3 冷启动多阶段配方

#deepseek #grpo #must-read #post-training #rl GRPO：去 critic，组内采样均值当 baseline。读 §4.1 + §5.2.1（统一梯度视角，含金量最高）

#3模型对比-sample #deepseek DeepSeek (xopdeepseekv4pro) 三模型对比阶段翻译 CFG

#3模型对比-sample #deepseek DeepSeek (xopdeepseekv4pro) 三模型对比阶段翻译 CFG