Qingfeng He
Learning notes — infra, multimodal, RL
-
LLM 强化学习算法谱系：从 REINFORCE 到 GDPO
一条主线把 REINFORCE、PPO、GRPO、DAPO、GSPO、GDPO 串起来，再补上信用分配（HCA / HCAPO）与 V/Q/A 基础。每个算法都讲清楚它在修前任的什么病。
Learning notes — infra, multimodal, RL
一条主线把 REINFORCE、PPO、GRPO、DAPO、GSPO、GDPO 串起来，再补上信用分配（HCA / HCAPO）与 V/Q/A 基础。每个算法都讲清楚它在修前任的什么病。