博客

归档搜索RSS

• 2026 年 8 月 11 日 DPO 原理推导
• 2026 年 8 月 10 日 GRPO 的形式以及解决的问题
• 2026 年 8 月 1 日 Value Model 的几种训练方法
• 2026 年 7 月 31 日 Reward Model 存在的问题以及 Value Model 的作用
• 2026 年 7 月 28 日 如何将 Reward Model 得到的标量奖励转化为策略梯度