大模型手撕 · 困难 · 强化学习、RLHF、推理模型
实现 DeepSeekMath / DeepSeek-R1 使用的 GRPO 损失。对同一个 prompt 采样 G 条回答：
在 RagCodes 上用 Python / C++ / Java 在线编写并提交，核心代码模式与 ACM 模式均可评测。