强化学习 · 武宇新的学习与工程笔记

强化学习 · 武宇新的学习与工程笔记https://wyxbupt.me/tags/%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/记录 LLM、Agentic RL、通信与工程实践的个人技术博客。Hugozh-CNMon, 03 Aug 2026 00:00:00 +0800从 RLHF 到 Agentic RL：重新理解 RL 的探索本质https://wyxbupt.me/posts/agentic-rl/rl-exploration-essence/Mon, 03 Aug 2026 00:00:00 +0800https://wyxbupt.me/posts/agentic-rl/rl-exploration-essence/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。从策略梯度到 PPO：目标函数、GAE 与裁剪机制https://wyxbupt.me/posts/agentic-rl/understanding-ppo/Mon, 04 May 2026 00:00:00 +0800https://wyxbupt.me/posts/agentic-rl/understanding-ppo/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。