Reinforcement Learning

2026-09-12人工智能约 38 分钟

Light-Loco-Parkour 深度解析：从地形配对参考、多技能蒸馏到自主衔接与深度视觉控制

结合原论文与 lucidrains 实现，拆解地形配对参考增强、多专家 DAgger、阶段条件 AMP 和深度 GRU 策略，并用 CPU 实验核对奖励、PPO、蒸馏与时序接口。

2026-09-09人工智能约 33 分钟

分析 GSPO 的序列概率比、长度归一化、裁剪与梯度，核对 Qwen3 MoE 实验的证据边界，并提供可运行 PyTorch 对照。

2026-09-08人工智能约 40 分钟

从 REINFORCE、baseline、GAE、重要性采样、KL 与偏好建模推导 PPO、DPO、GRPO，提供 CPU 可运行训练、梯度测试与扩展路线。

2026-09-05人工智能约 33 分钟

从 InternVL 3.5 官方模型集合出发，详解视觉 token、MPO/GSPO、ViCO 路由、检查点选择、显存预算与可验证推理流程。

2025-12-08人工智能约 92 分钟

从 MDP、回报和价值函数理解强化学习，串联策略评估与更新，并区分随机策略、环境随机性和训练验证。

2025-03-20人工智能约 3 分钟

使用 Gymnasium 运行 LunarLander 随机交互与录像，讲清 reset、step、随机种子以及终止和截断的差别。