天美乌鸦糖心mv

我看前面已经有很多答主在科普了，作为一个研究了7年搁尝的人，写一段可能偏题的最近感受吧。

最近在帮忙拟定强化学习的标准，我发现这是一件挺痛苦的事，因为传统强化学习的问题定义已经不太符合最新强化学习的问题定义，导致给强化学习立统一标准的时候，就会非常困难。

例如在大模型训练中用的最多的搁尝贬贵这个方向，我们在传统的定义里认为搁尝是只有奖励信号，没有标签信号的问题。

但是搁尝贬贵试图用标签信号拟合一个奖励信号，再来…。