标签: 强化学习

该标签下的全部文章 "强化学习".

• REINFORCE 入门：奖励怎样变成模型的梯度

  15 Sep, 2026

  用一个只有两个候选答案的模型，手算 REINFORCE 的概率、损失、梯度和 SGD 更新，理解基线、方差与完整在线训练流程。

• 大模型强化学习导读：先看懂训练链路，再学九种方法

  15 Sep, 2026

  从 prompt、rollout、奖励与优势到参数更新，串起 REINFORCE、Actor-Critic、PPO、GRPO、RLOO、ReMax、DAPO、GSPO 与 DPO 的入门学习路线。

• MoE 做强化学习为什么容易不稳？从 Dense 对比到路由重放

  14 Sep, 2026

  解释 MoE 与 Dense 的参数、计算和显存差异，拆解大模型 RL 中的路由不一致、专家失衡、探索不足与通信瓶颈，并梳理 R3、PR2、RoutePack 和 ESRL 的解决思路。

• 2026 Agent 记忆新技术：从历史检索到会学习、会核验的记忆

  14 Sep, 2026

  超越上下文、对话 RAG 和用户画像，解释 2026 年 MemRL、MemSkill、MemoryLACE、RuleMem、MemForest、FocusMem、TMEM 与环境核验记忆的机制、代码现状及实现路径。