【大白话04】一文理清强化学习PPO和GRPO算法流程 | 原理图解
吴恩达《从人类反馈中进行强化学习RLHF, Reinforcement Learning from Human Feedback》(中英字幕)
深度强化学习 PPO 纯白板逐行代码Python实现
【PPO强化学习】从PPO的前身“Actor-Critic”算法开始
从经典PPO到PPO-RLHF(一) 构建RL到LLM的概念映射
20分钟带你快速弄懂SFT、RLHF、DPO !从定义到适用边界全流程解析~大模型|LLM
【PPO】【已完结】PPO第二部分 完整实现和代码解读
零基础学习强化学习算法:ppo
【PPO】从零到深入(1) 从梯度本质看 PPO的裁剪目标函数
【学习小记】:一个小时从强化学习0基础到理解GRPO
【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
RAG 工作机制详解——一个高质量知识库背后的技术全流程
【PPO算法】强化学习头牌,学大模型必懂
细节怪-手撕 LLM 之 RLHF的DPO算法详解(原理解析+公式推导)高频面试题!
大白话强化学习(1):PPO的技术原理与“三堂会审”
细节怪-手撕 LLM 系列:DeepSpeed 详解( ZeRO 三阶段和底层通信原理,值得细细品味!)
怎么加快大模型推理?10分钟学懂VLLM内部原理,KV Cache,PageAttention
(B站首推)2026李宏毅智能体【AI Agent】系列课程全集,公认体验感最好的入门课程!--人工智能/机器学习/深度学习/大模型/LLM
【2026最新版】这绝对是B站唯一将vLLM推理优化从入门到精通讲明白的教程,一个视频学懂VLLM内部原理,KV Cache,PageAttention
细节怪-手撕 LLM 之 RLHF 详解与 PPO 算法详解(2)本节是奖励函数与损失函数公式推导