2025年7月3日
大模型- PPO大语言模型（LLM）对齐的强化学习算法 -75
摘要： 参考链接 故事设定：训练一名弓箭手 智能体 (Agent)：一名弓箭手。 策略 (Policy)：弓箭手在看到目标距离、风速等情况后，决定“拉弓的力度”和“瞄准的角度”的策略。 动作 (Action)：具体的一次拉弓和瞄准。 奖励 (Reward)：箭命中靶心（高奖励），命中靶子（低奖励），脱靶（负 阅读全文
posted @ 2025-07-03 09:49 jack-chen666 阅读(201) 评论(0) 推荐(0)