MODEL-ZOO
从第一性原理出发的LLM强化学习
为了建立对语言模型强化学习的坚实理解，我们将采取逐步的方法。我们将从本概述中的基本概念和定义开始，然后探讨用于使用人类反馈进行强化学习微调语言模型的常用算法。
REINFORCEMENT LEARNING
APPLICATION
AI代理的强化学习
对于设计下一代需要推理、行动和进化的AI代理的从业者来说，RL不是可选的，而是必不可少的。
APPLICATION
使用强化学习和LLM构建AI代理
在本博客中，我们将逐步讲解如何设计一个使用大语言模型进行决策并利用强化学习优化其动作的AI代理。
MODEL-ZOO
强化学习算法全景
强化学习是机器学习的一个分支，近年来作为一种在不同应用领域中高效获取技能的方法正迅速获得关注。在这篇文章中，我们将提供一个全面的概述，既提供高层次的视角，又详细探讨底层数学推导和算法的具体内容。
APPLICATION
打造自己的Devin, AI软件工程师
AI 软件工程师是一种 AI 助手，它可以查看 Git 存储库中的多个代码文件，并根据助手要执行的具体任务确定需要更改哪些文件。
APPLICATION
用GRPO算法训练医疗AI模型
大型语言模型（LLMs）与医疗保健的交叉点带来了令人兴奋的机会，但也带来了独特的挑战。在本教程中，我们将探讨如何使用分组相对策略优化（GRPO）——一种最近由DeepSeek团队引入的有前途的新强化学习技术——来适应阿里巴巴的Qwen-3B模型以用于医学推理。 为什么这很重要： * 🏥 患者安全第一：医学AI中的幻觉可能是危险的。 * 💡 领域专业化：通用LLMs难以处理临床推理。 * ⚡ 效率：我们的3B参数模型可以在消费级GPU上运行。 推理模型如O3和DeepSeek R1在许多具有挑战性的基准测试中显示了前所未有的改进。它们改变了监督微调的趋势，转向实际的强化学习（RL）。我们在深度学习领域的许多突破都来自RL，例如AlphaGo，因为模型能够通过与不同的现实场景互动来学习，而这些场景在监督微调中往往难以提供示例。 如果你想了解更多关于推理模型或更多历史细节，我强烈推荐Maarten的文章[2]。DeepSeek工作的美妙之处在于他们实现了一个实用的框架，用于使用GRPO对LLM进行微调。根据Maarten的文章： 这个算法背后的直觉是，它使所有导致正确或错
MODEL-ZOO
DeepSeek-R1的推理能力分析
DeepSeek 提出了一个模型，该模型的推理能力可与 OpenAI-o1 相媲美，尽管其参数只是 OpenAI-o1 的一小部分，训练成本也低得多。
MODEL-ZOO
DeepSeek-R1的3个关键思想
大多数新的 AI 模型感觉都像是小步。DeepSeek R1 则不同。这是近期第一个让你停下来思考的模型，这可能很重要。