#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）

#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