Understand-R1-Zero：深入剖析R1-Zero类训练方法，揭示其背后的原理与优化策略。亮点：
-
深入分析基础模型，发现DeepSeek-V3-Base已展现“灵光一现”现象；
-
提出Dr. GRPO算法，优化强化学习过程，提升token效率；
-
仅用27小时计算资源，在8×A100 GPU上实现SOTA性能。
参考文献：
[1] http://github.com/sail-sg/understand-r1-zero
（文：NLP工程化）
Understand-R1-Zero：深入剖析R1-Zero类训练方法