【[370星]simple_GRPO：一个简单的 GRPO（Generative Reinforcement Learning for Policy Optimization）实现，旨在复现类似 r1 的大型语言模型（LLM）思维过程。亮点：1. 仅200行代码，依赖极少，快速上手；2. 分离式参考模型，可在不同GPU上运行，节省显存；3. 1小时内完成训练，快速观察到模型的“顿悟时刻”】
'A very simple GRPO implement for reproducing r1-like LLM thinking.'
GitHub: github.com/lsdefine/simple_GRPO
