willcb：on-policy GRPO 接近真正 RL，其余都是效率技巧

willcb 在 X 上判断，去掉标准差归一化的 on-policy GRPO 非常接近「真正的 RL」（REINFORCE）。他是在讨论「是否该把所有方法都叫 RL」时给出这一判断的。在他看来，GRPO、DAPO 等其他变体本质上是效率技巧，会带来一定不稳定性，之后又需要更多技巧来修复这些不稳定。