归档

全部文章 - 82
2026
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）
强化学习数学原理 - 第10章：Actor-Critic 方法 (Actor-Critic Methods)
强化学习数学原理 - 第10章：Actor-Critic 方法 (Actor-Critic Methods)
强化学习数学原理 - 第9章：策略梯度方法 (Policy Gradient Methods)
强化学习数学原理 - 第9章：策略梯度方法 (Policy Gradient Methods)
强化学习数学原理 - 第8章：值函数近似 (Value Function Approximation)
强化学习数学原理 - 第8章：值函数近似 (Value Function Approximation)
强化学习数学原理 - 第7章：时序差分方法 (Temporal-Difference Methods)
强化学习数学原理 - 第7章：时序差分方法 (Temporal-Difference Methods)
强化学习数学原理 - 第6章：随机近似 (Stochastic Approximation)
强化学习数学原理 - 第6章：随机近似 (Stochastic Approximation)
强化学习数学原理 - 第5章：蒙特卡洛方法 (Monte Carlo Methods)
强化学习数学原理 - 第5章：蒙特卡洛方法 (Monte Carlo Methods)
强化学习数学原理 - 第4章：值迭代与策略迭代 (Value & Policy Iteration)
强化学习数学原理 - 第4章：值迭代与策略迭代 (Value & Policy Iteration)
强化学习数学原理 - 第3章：最优状态值与贝尔曼最优方程 (Bellman Optimality)
强化学习数学原理 - 第3章：最优状态值与贝尔曼最优方程 (Bellman Optimality)
强化学习数学原理 - 第2章：贝尔曼方程 (Bellman Equation)
强化学习数学原理 - 第2章：贝尔曼方程 (Bellman Equation)
强化学习数学原理 - 第1章：基本概念 (Basic Concepts)
强化学习数学原理 - 第1章：基本概念 (Basic Concepts)
强化学习数学原理 - 必备数学基础 (Mathematical Preliminaries)
强化学习数学原理 - 必备数学基础 (Mathematical Preliminaries)
强化学习数学原理 - 序章：一张图看懂强化学习 (Course Introduction)
强化学习数学原理 - 序章：一张图看懂强化学习 (Course Introduction)
avatar
WP
无业游民
文章
82
标签
192
分类
22
Follow Me
公告
学术助手已上线
期刊会议检索、前沿论文浏览和 AI 预审入口已经接进博客。
立即进入
最新文章
Paper2PPT：从一篇论文到可编辑、可追溯 PPTX 的证据优先工作流
Paper2PPT：从一篇论文到可编辑、可追溯 PPTX 的证据优先工作流
Academic Paper Search：可复现的多源文献检索工作流
Academic Paper Search：可复现的多源文献检索工作流
PaperRefine：论文润色不只是换同义词，而是让主张回到证据边界
PaperRefine：论文润色不只是换同义词，而是让主张回到证据边界
SOL ENGINE：把 GPT-5.6 提示词优化变成可审计、可回归的工程流程
SOL ENGINE：把 GPT-5.6 提示词优化变成可审计、可回归的工程流程
分类
标签
CleanRL 损失函数 transformer 视觉表征 Bellman Optimality 对比学习 Policy Gradient 研究生生活 algorithm Claude Code RLVR SGLang Introduction Function Approximation Ray Evaluation Batch Size 选择排序 Academic Paper Search GRPO Transformer Reinforcement Learning Lenet SSM 字符串 Agent Loop DPO 论文精读 堆 PyTorch queue deque Verifier vLLM 产品思考 Entropy RLOO Resnet Sarsa Self-Verification
归档
网站信息
文章数目 :
82
运行时间 :
本站总字数 :
186k
最后更新时间 :
总访问量：
加载中...