02
2025/09
强化学习理论之策略梯度（Policy Gradients）基础全解析
1. 假设与问题设定
在深入推导之前，我们首先要明确问题背景。策略梯度方法通常在 Episodic 设定下进行分析。这意味着智能体（Agent）与环境的交互由一系列独立的“回合”（Trajector
...
PPO、DPO、GRPO及其变体（Dr. GRPO、GSPO、GMPO、LitePPO）策略优化算法综述
引言
大型语言模型（Large Language Models, LLMs）的出现是人工智能领域的一个重要里程碑。这些模型通过在海量的文本语料库上进行自监督
...