Reinforcement learning

后训练里，强化学习负责：在给定偏好或奖励信号下，改策略。本页起拆定义、PPO / DPO / GRPO、奖励模型与挑战——这是概念线。

人物入口： 强化学习被全世界看见，很大程度是 2016 年首尔五番棋——哈萨比斯、西尔弗、李世石。群星闪耀时刻 · 时刻四 · 哈萨比斯与 DeepMind。游戏是显微镜；显微镜后面的科学与后训练方法，从左侧 3.3 往下读。