Dongxi 东锡 NLP· @dongxi_nlp · X·· 3 小时前AI 评分53
AI 导读
作者以 DeepSeek-R1-Zero 为例，用「Is OpenAI open?」这一打分场景依次讲解 policy、state、action、reward、return、value、Q、advantage、baseline、TD error、GAE、clipping 和 KL 等强化学习术语。
正文
来源：Dongxi 东锡 NLP · x.com
Dongxi 东锡 NLP
作者以 DeepSeek-R1-Zero 为例，用「Is OpenAI open?」这一打分场景依次讲解 policy、state、action、reward、return、value、Q、advantage、baseline、TD error、GAE、clipping 和 KL 等强化学习术语。
来源：Dongxi 东锡 NLP · x.com