筛选规则。本轮只保留把解释或修改 GRPO 作为核心贡献、发现此前缺失的故障，或给出领域反例的论文；仅仅使用原始 GRPO 的应用不收入。页面按实际研究顺序组织：先确定目标与故障，再修正梯度或信用，验证奖励，维持探索，分配并复用 rollout，最后检查这些假设在智能体、生成模型和推荐中是否仍成立。
怎样判断一个新变体。先固定基础模型、提示模板、奖励和验证器，再明确故障究竟是目标偏差、无信号组、token 信用错误、奖励噪声、熵坍塌、rollout 浪费、策略滞后，还是领域结构错配。只修改与该故障直接相关的组件，并同时比较生成 token、验证器调用、更新计算、墙钟时间、Pass@1、Pass@K 和域外质量。如果过滤式 REINFORCE、全局归一化、奖励加权 SFT 或带 critic 的 PPO 在同预算下更好，就采用更简单的方法。