·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
推理觉醒：RLVR、GRPO 与 o1/R1 开启的第二次 Scaling 革命
> 2024 年 9 月 12 日，OpenAI 发布 o1，几乎不公布任何技术细节，只留下一句话：让模型在回答前花更长时间思考，而思考能力是用强化学习训出来的。四个月后，DeepSeek-R1 把整套配方连源码带权重砸给全世界。这是本系列的核心篇章：RL 如何第一次取代"模仿人类"，成为大模型能力
·技术
1 分钟0
RLVR 信用分配综述：一条长推理链，功劳到底算谁的？
想象一个具体场景：模型做一道竞赛数学题，写了一条 1000 token 的思维链，最后答案对了，奖励 +1。 这条链里，有真正决定走向的关键分叉（比如第 127 个 token 处的「Wait, let me reconsider」），有正确的代数推导，有中途算错又自己纠回来的一段，有重复验算了三