RL与OPD训练LLM深度讲解

作者分享关于GRPO、在策略蒸馏与LLM训练流程关系的数学和代码解析。

推荐理由：内容抓住Kimi、DeepSeek、Qwen、GLM报告中共同出现的训练趋势：GRPO式强化学习与on-policy distillation正从后训练技巧变成前沿模型能力提升的关键管线。