GRPO2 篇实战文章

RCCA。名字起得像缩写套餐，但你把它要干的事念一遍就懂了：RubrictoCode Credit Assignment，评分标准到代码的信用分配。说白了就一句话——评估器说"这个按钮点了没反应"，你得把这句话追回生成它的那几个 token 头上，别摊给整条序列。

8月12号挂arXiv那篇GCPO，我一开始没点开。组里有人丢到群里，说GRPO后训练那些老毛病——reward还涨着、eval忽然掉、length一路膨胀——终于有人从参数几何的角度给了个解释。