#bytedance #grpo #post-training #rlvr #verl GRPO 规模化会崩，这里给 4 个修法：clip-higher/动态采样/token-level loss/超长奖励整形。跑 verl 时读

#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）