感觉面完人都通透了，还是太菜了，下去沉淀一下1- 拷打项目2- SFT 和 GRPO 在优化目标的区别3- GRPO 相关八股：4- Advantages 怎么算的；一组的大小这个超参数，如何影响模型训练5- 为什么全好或者全坏，那这一步就对模型训练不起作用6- GRPO 相比 PPO 的改进，好处是？7- PPO 的 Advantages 具体是怎么计算的8- code：买卖股票的最佳时机（I 和 II）