在GSM8K上比GRPO快8倍！厦大提出CPPO，让强化学习快如闪电 下午11时 2025/04/01 作者 机器之心 对策略优化）。 不同于 PPO（近端策略优化），GRPO 是直接根据组分数估计基线，因此消除了对 c
