摘要：
这篇文章使用 LLM 生成了各种 MineCraft 的 skill，但没有利用 LLM 的通识能力，感觉不算 LLM agent 的工作。
阅读全文
posted @ 2025-03-10 15:05
MoonOut
阅读(266)
推荐(0)
摘要：
读了一些 LLM agent 玩各种游戏的论文。
阅读全文
posted @ 2025-03-10 13:57
MoonOut
阅读(543)
推荐(0)
摘要：
2025.03 | 速读文章纪录
阅读全文
posted @ 2025-03-01 19:40
MoonOut
阅读(138)
推荐(1)
摘要：
询问 deepseek 泊松过程、指数分布和事件到达率的含义。
阅读全文
posted @ 2025-02-25 14:27
MoonOut
阅读(747)
推荐(0)
posted @ 2025-02-07 04:34
MoonOut
阅读(471)
推荐(0)
posted @ 2025-02-07 04:19
MoonOut
阅读(636)
推荐(0)
摘要：
2025.02 | 速读文章纪录
阅读全文
posted @ 2025-02-03 03:49
MoonOut
阅读(166)
推荐(1)
摘要：
添加 RemoteForward 127.0.0.1:7890 127.0.0.1:7890
阅读全文
posted @ 2025-01-23 22:37
MoonOut
阅读(142)
推荐(0)
摘要：
在 python 3.8 上安装 jax，运行 offline RL 的 IQL。
阅读全文
posted @ 2025-01-23 11:47
MoonOut
阅读(611)
推荐(0)
摘要：
MuJoCo 210 ~ mujoco_py==2.1.2.14，MuJoCo 200 ~ mujoco_py==2.0.2.8
阅读全文
posted @ 2025-01-12 15:20
MoonOut
阅读(2079)
推荐(0)
摘要：
2025.01 | 速读文章纪录
阅读全文
posted @ 2025-01-02 10:26
MoonOut
阅读(138)
推荐(1)
摘要：
① mv source target，② ln -s 真实路径 快捷方式路径
阅读全文
posted @ 2025-01-01 22:42
MoonOut
阅读(124)
推荐(0)
摘要：
2024.12 | 速读文章记录
阅读全文
posted @ 2024-12-24 11:50
MoonOut
阅读(207)
推荐(0)
摘要：
LiRE 的主要贡献（故事）：1. 构造 A>B>C 的 RLT，利用二阶偏好信息；2. 使用线性 reward model，提升 PbRL 性能。
阅读全文
posted @ 2024-11-30 16:07
MoonOut
阅读(286)
推荐(0)
摘要：
在 RL 的 representation learning 中，应用对比学习思想和 InfoNCE loss。
阅读全文
posted @ 2024-11-26 12:24
MoonOut
阅读(673)
推荐(0)
摘要：
记录一下最近复现 PPO 的过程……
阅读全文
posted @ 2024-11-21 16:29
MoonOut
阅读(2493)
推荐(1)
摘要：
Deep reinforcement learning from human preferences 论文阅读，以及 PrefPPO 算法阅读。
阅读全文
posted @ 2024-11-20 15:16
MoonOut
阅读(312)
推荐(0)
摘要：
需实现 env.__init__() , obs = env.reset() , obs, reward, done, info = env.step(action) 函数。
阅读全文
posted @ 2024-11-11 22:53
MoonOut
阅读(851)
推荐(0)
摘要：
让 GPT 生成 UML 图的 plantUML 代码，然后在 plantUML 网站在线绘制。
阅读全文
posted @ 2024-10-15 19:22
MoonOut
阅读(927)
推荐(0)
摘要：
删除 git 目录：rm -rf .git
阅读全文
posted @ 2024-09-04 16:41
MoonOut
阅读(162)
推荐(0)
摘要：
torch.set_num_threads(8)
阅读全文
posted @ 2024-08-11 18:17
MoonOut
阅读(180)
推荐(0)
摘要：
在命令行执行 unset LD_PRELOAD
阅读全文
posted @ 2024-08-11 18:13
MoonOut
阅读(375)
推荐(0)
摘要：
官方教程：https://gist.github.com/saratrajput/60b1310fe9d9df664f9983b38b50d5da
阅读全文
posted @ 2024-07-31 17:57
MoonOut
阅读(260)
推荐(0)
摘要：
ssh-keygen -t rsa，然后将 .ssh/id_rsa.pub 中的内容，复制到 New SSH key 的框里。
阅读全文
posted @ 2024-07-31 16:31
MoonOut
阅读(87)
推荐(0)
摘要：
conda env export -n old_env > old_env_conda.yml , conda env create -n new_env -f old_env_conda.yml
阅读全文
posted @ 2024-07-31 11:40
MoonOut
阅读(842)
推荐(0)
摘要：
Google 搜索官方教程 + 换 tuna 源。
阅读全文
posted @ 2024-07-31 11:38
MoonOut
阅读(3333)
推荐(0)
摘要：
在远程创建 ~/.ssh/authorized_keys，把本地 .ssh/id_rsa.pub 的内容追加到 authorized_keys 里。
阅读全文
posted @ 2024-07-31 10:46
MoonOut
阅读(74)
推荐(0)
摘要：
① 假设正确样本的 CELoss 上限是 ρ，可推出错误样本相对 P_ψ(x) 分布的 KL 散度上限，从而筛出可信样本、翻转不可信样本；② 用归一化到 (-1,1) 的 intrinsic reward 预训练 reward model。
阅读全文
posted @ 2024-07-25 16:10
MoonOut
阅读(215)
推荐(0)
摘要：
D_KL(P||Q) = ∫p(x) log p(x) - ∫p(x) log q(x) = H(P) + H(P,Q)
阅读全文
posted @ 2024-07-25 12:35
MoonOut
阅读(408)
推荐(0)
摘要：
ELBO 用于最小化 q(z|s) 和 p(z|s) 的 KL 散度，变成最大化 p(x|z) 的 log likelihood + 最小化 q(z|s) 和先验 p(z) 的 KL 散度。
阅读全文
posted @ 2024-06-23 18:10
MoonOut
阅读(2260)
推荐(1)
posted @ 2024-06-23 16:50
MoonOut
阅读(182)
推荐(0)
摘要：
使用 df.loc[len(df)] = {'key1': 123, 'key2': 234}
阅读全文
posted @ 2024-06-23 15:39
MoonOut
阅读(489)
推荐(0)
摘要：
电脑端：在同一个局域网下 + 共享文件夹；手机端：文件 app 连接服务器 + 照片 保存到文件。
阅读全文
posted @ 2024-06-12 11:19
MoonOut
阅读(994)
推荐(0)
摘要：
简单看了一下三大会近期的 Multi-objective RL 工作。
阅读全文
posted @ 2024-05-28 22:31
MoonOut
阅读(1136)
推荐(1)
摘要：
【ps -ef | grep '[w]andb'】【pkill -f wandb】
阅读全文
posted @ 2024-04-22 11:31
MoonOut
阅读(846)
推荐(0)
摘要：
在某些契机下，制作了构想很久的个人 icon。
阅读全文
posted @ 2024-03-21 16:55
MoonOut
阅读(53)
推荐(0)
摘要：
如果想最大化期望下的 R(τ)，那么策略梯度 = R(τ) · Σ ▽log π(a|s) ，即 discounted return × Σ 梯度 log [选取该 action 的概率] 。
阅读全文
posted @ 2024-03-21 16:46
MoonOut
阅读(413)
推荐(0)
摘要：
① medium：中等策略。② random：随机策略。③ medium-replay：训到中等策略的整个 replay buffer。④ medium-expert：等量混合专家数据和次优数据（次优或随机策略）。
阅读全文
posted @ 2024-03-09 17:36
MoonOut
阅读(2411)
推荐(0)
摘要：
主要 trick：① 更新 A 时把 B stop-gradient，② 在 encoder 后添加神秘的 MLP 层。
阅读全文
posted @ 2024-03-07 20:40
MoonOut
阅读(1586)
推荐(0)
摘要：
① 定义 non-Markovian reward 的输入是 trajectory，② 使用 exp Σ w(τ) · r(τ) 的 preference 形式。
阅读全文
posted @ 2024-03-06 12:57
MoonOut
阅读(380)
推荐(0)
浙公网安备 33010602011771号