时长大概1h15m，压力很大，整个过程会不断的打断和追问1. 介绍grpo和ppo的区别，会频繁打断，不让讲太多，要求精确讲出核心区别2. ppo的clip操作的作用3. 重要性采样的作用，除了和clip操作结合限制更新幅度还有什么作用，这种操作和使用kl散度限制更新的区别是什么4. 马尔可夫性质是什么5. 从早期的策略梯度算法到现在grpo，有很多模块或者说设定是保留下来的，有些是丢掉了，讲一下发展脉络，为什么要保留/丢掉那些模块6. 开共享屏幕聊论文，背景，任务设定，对应的实际业务场景7. workflow，训练方法，用到的公式细节，且会质疑你的数学公式8. 力扣173，二叉搜索树迭代器，要求先讲思路，三种解法（暴力-优化-正解）