GRPO 崛起后 RL 重要性采样成研究重点

我正在读那篇关于分数中心化强化学习的论文，想给我的书补充一些笔记。他们在附录中列了一张很棒的表格，汇总了强化学习中各种基于重要性采样的训练—推理不匹配方法。我认为，自 GRPO 起飞以来，这些方法一直是强化学习算法研究的重点。