蒙特卡罗和时序差分
你要听一段故事，但它绝不是平铺直叙的。数学故事里蕴藏着一种不动声色的哲学性，就像生活一样，有时你需要随机掷骰子蒙混过关，有时又得步步为营，计算每一步的得失。而蒙特卡罗方法和时序差分算法，正是这两种思维
...
基于动态规划的强化学习算法
动态规划（Dynamic Programming，DP）是解决强化学习问题的一类方法，它通常假设环境的动态能够完全被马尔可夫决策过程（MDP）所建模。同时，它要求能精确获取状态转移模型和奖励函数（即假
...
什么是价值函数？
在强化学习（Reinforcement Learning, RL）的领域中，价值函数（Value Function）是用来衡量某个状态或状态-动作对的“好坏”的核心概念。它们描述了智能体在特定策略下（
...
什么是马尔可夫决策过程？
马尔可夫决策过程（Markov Decision Process, MDP）是强化学习的核心基础，用于描述智能体与环境之间的交互关系。一个 MDP 通常由以下五要素构成：状态空间、动作空间、奖励函数、
...
迈向推理时代：900+篇参考文献揭示长链思维的前世今生，最全综述来了
论文标题：Towards Reasoning Era: A Survey of Long Chain-of-Thought for Reasoning Large Language Models
...
什么样的偏好，才叫好的偏好？——揭秘偏好对齐数据的「三驾马车」
近年来，大语言模型（LLMs）的对齐研究成为人工智能领域的核心挑战之一，而偏好数据集的质量直接决定了对齐的效果。无论是通过人类反馈的强化学习（RLHF），还是基于「RL-Free」的各类直接偏好优化方
...
一个轻量但不失高效的DPO训练框架：OpenDPO
DPO的损失函数可以做如下恒等变换，可以发现蓝色框中的结果是一个可以预计算的常数。因此，在使用DPO进行优化时，我们完全可以离线计算常数部分，在线只需要加载进行训练，这样和sft的训练相差无几。
根据
...
一个轻量但不失高效的SFT训练框架：OpenSFT
OpenSFT，顾名思义，一个开源的SFT训练框架，基于 accelerator + deepspeed + ring flash attention 实现。
本项目实现了length-pack数据组
...
蒙特卡洛法近似KL散度的艺术：从有偏估计到零方差优化
在强化学习和概率建模的世界里，KL散度如同一位沉默的裁判，默默地衡量着两个概率分布之间的差异。然而，当面对高维空间或复杂分布时，KL散度的计算常常令人望而却步。本文将揭示一种优雅的近似方法，利用蒙特卡
...
大模型SFT经验
本文转载自https://zhuanlan.zhihu.com/p/809229182，作者ybq。
这篇文章介绍一下大模型的 sft 如何去做。相比较于上一篇文章介绍的 pretrain ，sft
...
