2026年8月27日
一文详解大模型PPO算法
摘要： LLM后训练算法梳理(1)-PPO算法 笔者最近在学习和梳理LLM post-training算法，本系列用于记录自己对LLM后训练中常见算法的思考和总结。目前初步打算梳理和总结的算法有: 强化学习:PPO,GRPO,GRPO的热门变体，例如DAPO等。 监督微调:重点梳理SFT，DFT，以及近期值 阅读全文
posted @ 2026-08-27 22:11 bradinz 阅读(133) 评论(0) 推荐(1)