[Agentic RL][01] 练习两天半，完全从零开始实现PPO算法（基于Qwen2.5-0.5B），不依赖第三方强化学习框架，从原理讲解到代码实现
何恺明课题组新作MeanFlow的解读以及和Flow matching的理论回顾
【大白话03】一文理清强化学习RL基本原理 | 原理图解+公式推导
【硬核】手撕RoPE旋转位置编码推导，嘎嘎简单，通俗易懂！
[Agentic RL][03] 练习两天半，完全从零开始实现DAPO算法（使用Qwen2.5-1.5B模型测试），从原理讲解、代码实现到训练展示全流程
代码实现大模型强化学习(PPO)，看这个视频就够了。
【DAPO】10分钟看懂DAPO算法 4个RL小trick
有难度但必读的一篇论文《DeepSeekMath》
【学习小记】：一个小时从强化学习0基础到理解GRPO
5天学完RL (上)
【面试必考】GRPO、DAPO、GSPO三代强化学习算法，到底改了什么？从PPO讲起
DeepSeek-GRPO
【GRPO】零基础也能看懂的GRPO算法
【PPO、GRPO的理论基础】【策略梯度】value-based强化学习算法 策略梯度定理的完整数学推导 reinforce算法
【DPO】直接偏好优化 详细原理推导+快速上手实战
[文章解读]字节跳动与清华发布强化学习新算法DAPO，性能超越DeepSeek-R1(GRPO)
【强化学习】十分钟学会Q-Learning和贝尔曼方程！
能跑的代码，最会骗人
[RLHF] 从 PPO rlhf 到 DPO，公式推导与原理分析
【PPO算法】强化学习头牌，学大模型必懂
