simple_GRPO 是一个简单的 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。该项目代码简洁，依赖极少，能够快速上手，并支持分离式参考模型，允许在不同GPU上运行以节省显存。训练过程仅需1小时，用户可快速观察到模型的“顿悟时刻”。