Jarod Leo

RLHF中的PPO算法1.动机PPO算法是后续很多RLHF/RLVR强化学习微调算法的基础，因此了解它的底层原理。对于后续理解很多RL算法乃至在这个基础上改进算法是很重要的。本篇博客希望能够记录PPO算法的学习过程，并提供一个较为全面的分析视角。 2.RLHF-PPO数学结构为了方便下面的数学建模，我们需要先定义强化学习中的几个基本要素也就是：状态空间（State Space）、动作空间

使用 Hexo、Fluid 主题和 GitHub Pages 搭建 Jarod Leo 的个人网站。