·技术
1 分钟0
大模型强化学习综述：从 RLHF 到经验时代，一条四十年的因果链
> "大模型 RL" 并不是从 ChatGPT 才开始的。它背后是一条从 1989 年 Q-learning 延续至今的因果链。本篇是这个系列的总览：把前世（经典 RL → RLHF）、今生（DPO 浪潮 → RLVR 推理革命 → Agentic RL）、未来（经验时代）串成一张图，并给出后续五篇
·技术
1 分钟0
未来走向：Agentic RL、经验时代与超人类智能的分岔路
> RLHF 的奖励来自人类偏好，RLVR 的奖励来自规则验证器——下一步，奖励将来自世界本身。本篇是全系列的终章，把镜头推向正在发生的未来：当智能体被放进真实环境长期行动，RL 要面对什么新问题？Sutton 的"经验时代"宣言描绘了怎样的终局？以及，这条路会把我们带向超人类智能，还是撞上能力边界