实现 GRPO 的组内优势与策略损失。

• 【强化学习、GRPO、损失函数｜L4】手撕:GRPO loss，讲各个tensor的shape 「字节跳动」

• GRPO Loss· 困难 🔴 困难 — DeepSeek-R1 使用，组相对策略优化

• grpo_loss

GRPO损失与张量形状 GRPO损失计算细节：

• 手撕GRPO loss，讲各个tensor的shape。

• 手撕：DAPO算法Token级损失函数，相较于原生GRPO的优化差异