强化学习深度实战:从 MDP、Bellman 方程到 DQN、策略梯度与 PPO 的从零实现 过去三年里,强化学习(Reinforcement Learning, RL)以一种近乎隐秘的方式重新站到了 AI 舞台中央:RLHF 用人类偏好作为奖励信号把大语言模型对齐到人类意图,推理时计算(test-time compute)本质是在 rollout 轨迹上用验证器引导搜索 大语言模型 2026年10月08日 0 点赞 0 评论 73 浏览