#must-read #openai #post-training #ppo #rl RLHF/GRPO/DAPO 共用的 loss 骨架。只读 §3（2页）+ 公式(7)，Atari 部分全跳

#must-read #openai #post-training #rlhf #sft 后训练范式源头：SFT→RM→PPO 三段式。重点读 §3 全部 + Fig.2