从 RLHF 到 Agentic RL：重新理解 RL 的探索本质
SFT 是拟合分布，RL 是奖励驱动下的行为探索；RLHF 为什么像 SFT，headroom 为什么决定 GRPO 能否生效。
COLLECTION
全部文章
公开发布的技术文章、学习系列与随笔。
↗
如何抵御虚无感
从假期里的无聊与焦虑出发，思考如何通过输出、创造和写作重新获得与世界的联结。
第一次开源贡献：修复 DeepSeek-TUI 的 Markdown 渲染
从终端 Markdown 显示异常出发，定位 DeepSeek-TUI 的解析与渲染问题，并完成第一次 Rust 开源贡献。
从策略梯度到 PPO：目标函数、GAE 与裁剪机制
从策略梯度、优势函数和 GAE 出发，推导 PPO 的概率比与 clipped objective，并说明它为何仍是 on-policy 算法。