后训练章节追问
DPO 里的 $\beta$ 到底控制什么？
原题什么时候会优先用 DPO，而不是直接上 RLHF？
原题GRPO 相比 PPO 的核心价值是什么？
原题怎么一句话区分 DAPO / VAPO / GSPO？
原题为什么说 RLVR 不能"凭空创造知识"？
原题Qwen3 的 Hybrid Thinking 模式为什么重要？
原题数据飞轮最容易在哪一步翻车？
原题去污染为什么不能只做字符串去重？
原题LoRA 里的 B=0 初始化为什么这么关键？
原题什么时候应该 merge LoRA，什么时候不 merge？
原题
暂无题目