GRPO 训练排查：监控模型的多样性维度
GRPO是没有critic的，唯一的学习信号来自同一个prompt采出来的一组回答间的相对优势。也就是说，信号本身的健康度是可以直接观测的，所以也必须观测

大模型大模型求职算法求职留学生求职大模型面试