HASH GAME - Online Skill Game GET 300

　　在 InstructGPT（GPT-3.5 前身） 问世之初，OpenAI 引入了一个两阶段流程，即「SFT + RLHF」。到了 2024 年，DeepSeek 推出了 DeepSeek V3，该模型大量使用了 RLVR，其中 VR 代表可验证奖励（也称规则奖励或准确率奖励）。此后，DeepSeek 又发布了 R1 模型。它描述了 R1-zero（在基础模型上直接使用 RL）以及最终的 R1 模型，后者采用了一个两阶段 RL，其中第一阶段是面向推理的 RL，第二阶段是「全场景」RL（即与人类偏好对齐）。