#强化学习

强化学习：MDP、Q Learning、Policy Gradient 与 RLHF——RL 的核心框架

TL;DR： 强化学习是让智能体通过与环境交互来学习最优行为策略的方法论。本文从马尔可夫决策过程（MDP）讲起，经过Q Learning和Policy Gradient，最终连接到当前大模型训练的核心技术RLHF。