红豆生南国 是很遥远的事情

摘要： 目录参考蒙特卡洛（Monte Carlo）时序差分学习 (Temporal-Difference, TD)N步自举 (n-step Bootstrapping) 参考 Https://newfacade.github.io/notes-on-reinforcement-learning/07-mon 阅读全文

摘要： 目录参考内容策略评估 (Policy Evaluation)迭代式策略评估 (Iterative Policy Evaluation)策略改进 (Policy Improvement)值迭代 (Value Iteration) 参考 https://g.co/gemini/share/1488120 阅读全文

摘要： GRPO 组相对策略优化（GRPO） GRPO (Group Relative Policy Optimization) 是 DeepSeek AI 对 PPO 的一种聪明的改进，旨在更加高效，尤其是在复杂的推理任务中。 GRPO 就像是 PPO 的精简版表亲。它保留了 PPO 的核心思想，但去掉了 阅读全文

摘要： 目录引用null数学解释方程的推导线性代数的视角最优价值函数 V*(s)总结 引用 Https://newfacade.github.io/notes-on-reinforcement-learning/04-bellman.html 帮我用通俗的语言讲解 https://gemini.google 阅读全文

摘要： Https://newfacade.github.io/notes-on-reinforcement-learning/03-approach.html 通俗易懂的讲解 这个网页主要介绍了在强化学习（Reinforcement Learning, RL）中，我们用什么方法来“训练”一个智能体（比如一 阅读全文

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

摘要： 目录核心思想与类比关键区别对比表详细解释PPODPOKTO如何选择样本数据集格式 核心思想与类比 KTO (Kahneman-Tversky Optimization)。这是一个较新的算法，其命名源于诺贝尔经济学奖得主丹尼尔·卡尼曼和阿莫斯·特沃斯基的前景理论。在LLM对齐的语境下，大家讨论的基本上 阅读全文

摘要： 目录LlamaFactory PPO 训练：拥抱自定义奖励函数，告别LLM-as-a-Judge实战演练 LlamaFactory PPO 训练：拥抱自定义奖励函数，告别LLM-as-a-Judge 在利用 LlamaFactory 进行近端策略优化（PPO）训练时，您完全可以摆脱对大型语言模型（L 阅读全文

摘要： 关于 vLLM "--chat-template" 参数的非常常见且重要的问题。简单来说，这个参数决定了 vLLM 如何将多轮对话（系统、用户、助手消息）格式化成一个单一的字符串，以便模型能够正确理解。 首选：不设置，让 vLLM 自动加载。 对于大多数发布在 Hugging Face Hub 上的 阅读全文

摘要： 第一步：强化学习到底是什么？ (The Big Picture) 想象一下你正在训练一只小狗。这个过程和强化学习非常相似： 智能体 (Agent)：你的小狗。在RL中，这就是我们试图训练的模型或算法。 环境 (Environment)：你所在的房间或公园。在RL中，这是智能体所处的外部世界。 状态 阅读全文