RLHF
5篇文章 · 0订阅
  • LLM中的强化学习：PPO、DPO、KTO等
    LLM中的强化学习：PPO、DPO、KTO等。 为什么要用强化学习训练、强化学习算法发展脉络、常见的强化学习算法：PPO、DPO、KTO等等
    算法 人工智能
    LLM中的强化学习：PPO、DPO、KTO等
  • DeepSeek 成功的数学原理与实践
    今天我们来回顾一下**群体相对策略优化 (GRPO)**背后的数学原理，这是 DeepSeek 强大推理能力的核心强化学习算法。我将一一分析 GRPO 的工作原理、关键组成部分，以及它为何能颠覆大型语
    人工智能 后端
    DeepSeek 成功的数学原理与实践
  • DeepSeek 背后的数学原理：深入探究群体相对策略优化 (GRPO)
    GRPO动机 什么是 GRPO？ 群体相对策略优化 (GRPO，Group Relative Policy Optimization) 是一种强化学习 (RL) 算法，专门用于增强大型语言模型 (LL
    DeepSeek LLM
  • DeepSeek 关键技术详解
    一、DeepSeek 系列模型的技术创新 表1. DeepSeek 关键技术一览 1. DeepSeek MoE 架构 图1. DeepSeek MoE 框架示意图 图1选自DeepSeek-Moe报
    架构 人工智能 DeepSeek
  • 深入剖析 deepspeed-chat 中 RLHF 的 PPO 算法代码细节
    本文深入剖析 deepspeed-chat 开源项目中关于 RLHF 中的 PPO 算法代码细节，欢迎讨论学习
    人工智能 强化学习 LLM
    深入剖析 deepspeed-chat 中 RLHF 的 PPO 算法代码细节