归档

全部文章 - 75
2026
Agentic RL：代码优先，理论辅助的实战法
Agentic RL：代码优先，理论辅助的实战法
Agentic RL：veRL AgentLoop 全流程与计算细节（Async Rollout、状态机、Tool-Interaction）
Agentic RL：veRL AgentLoop 全流程与计算细节（Async Rollout、状态机、Tool-Interaction）
Agentic RL：veRL Infra AgentLoop 代码串讲（Multi-turn 推理与 Ray Trainer）
Agentic RL：veRL Infra AgentLoop 代码串讲（Multi-turn 推理与 Ray Trainer）
Agentic RL：veRL Infra AgentLoop（AgentLoopManager、Async Rollout 与 Hybrid 推训）
Agentic RL：veRL Infra AgentLoop（AgentLoopManager、Async Rollout 与 Hybrid 推训）
Agentic RL：重新理解 DPO（KL 正则 RL、隐式奖励模型与缺陷）
Agentic RL：重新理解 DPO（KL 正则 RL、隐式奖励模型与缺陷）
Agentic RL：分布视角理解 SFT 与 RL（Forward/Reverse KL、分布与奖励）
Agentic RL：分布视角理解 SFT 与 RL（Forward/Reverse KL、分布与奖励）
Agentic RL：Reward Model Insights（Bradley-Terry、MLE 与深度学习）
Agentic RL：Reward Model Insights（Bradley-Terry、MLE 与深度学习）
Agentic RL：Tokenizer 编解码非对称性与 Token-in-Token-out（RL 训练崩溃的根因）
Agentic RL：Tokenizer 编解码非对称性与 Token-in-Token-out（RL 训练崩溃的根因）
Agentic RL：veRL MultiTurn Tool Use 与 Coding Agent SFT（Cold Start for RL）
Agentic RL：veRL MultiTurn Tool Use 与 Coding Agent SFT（Cold Start for RL）
Agentic RL：veRL FSDP SFT Trainer 补充（Teacher Forcing、Shift Labels/Logits、Loss Mask）
Agentic RL：veRL FSDP SFT Trainer 补充（Teacher Forcing、Shift Labels/Logits、Loss Mask）
Agentic RL：veRL FSDP SFT Trainer（SFT vs RL、交叉熵损失、Loss Mask、LR Scheduler）
Agentic RL：veRL FSDP SFT Trainer（SFT vs RL、交叉熵损失、Loss Mask、LR Scheduler）
Agentic RL：veRL 核心强化学习算法（GRPO、RLOO、REINFORCE++）与 Baseline 设计
Agentic RL：veRL 核心强化学习算法（GRPO、RLOO、REINFORCE++）与 Baseline 设计
Agentic RL：veRL（verl）训练参数理解（PPO & GRPO、Batch Size、KL & Entropy）
Agentic RL：veRL（verl）训练参数理解（PPO & GRPO、Batch Size、KL & Entropy）
Agentic RL：RLVR 的边界（Base vs RL、pass@k、PPL 与 vLLM 评测细节）
Agentic RL：RLVR 的边界（Base vs RL、pass@k、PPL 与 vLLM 评测细节）
Agentic RL：DeepSeekMath-v2 自我验证（Verifier & Meta-Verifier）
Agentic RL：DeepSeekMath-v2 自我验证（Verifier & Meta-Verifier）
Agentic RL：vLLM 参数配置、显存分析与性能调优（max_num_batched_tokens）
Agentic RL：vLLM 参数配置、显存分析与性能调优（max_num_batched_tokens）
Agentic RL：REINFORCE 4 LLM（Reward 设计与 PG+KL Loss 细节）
Agentic RL：REINFORCE 4 LLM（Reward 设计与 PG+KL Loss 细节）
Agentic RL：系列导航（PG Loss、TRPO、PPO-Clip）
Agentic RL：系列导航（PG Loss、TRPO、PPO-Clip）
Agentic RL：从 PG 到 TRPO 到 PPO-Clip（推导与代码对齐）
Agentic RL：从 PG 到 TRPO 到 PPO-Clip（推导与代码对齐）
Agentic RL：PG Loss 组件详解（PPO-clip / Dual-Clip / Entropy / KL / 聚合）
Agentic RL：PG Loss 组件详解（PPO-clip / Dual-Clip / Entropy / KL / 聚合）
avatar
WP
无业游民
文章
75
标签
169
分类
21
Follow Me
公告
This is my Blog
最新文章
Agentic RL：代码优先，理论辅助的实战法
Agentic RL：代码优先，理论辅助的实战法
Agentic RL：veRL AgentLoop 全流程与计算细节（Async Rollout、状态机、Tool-Interaction）
Agentic RL：veRL AgentLoop 全流程与计算细节（Async Rollout、状态机、Tool-Interaction）
Agentic RL：veRL Infra AgentLoop 代码串讲（Multi-turn 推理与 Ray Trainer）
Agentic RL：veRL Infra AgentLoop 代码串讲（Multi-turn 推理与 Ray Trainer）
Agentic RL：veRL Infra AgentLoop（AgentLoopManager、Async Rollout 与 Hybrid 推训）
Agentic RL：veRL Infra AgentLoop（AgentLoopManager、Async Rollout 与 Hybrid 推训）
分类
标签
数据结构与算法二叉树二叉树遍历递归迭代回溯剪枝动态规划图论二分查找双指针数组滑动窗口矩阵规律前缀和链表哈希表查找setmap字符串KMPreverse栈队列双端队列堆queuestackdequeReward ModelVerifierSelf-VerificationDeepSeekMathReasoningAgentic RL强化学习PPOLLMRLHF
归档
网站信息
文章数目 :
75
运行时间 :
本站总字数 :
165k
最后更新时间 :
总访问量：
加载中...