Policy

Определение

Стратегия (нейросеть или правила), отображающая состояния в действия; используется в RL (PPO, DPO) как генератор действий, а также как паттерн проектирования для выбора алгоритма.

Где встречается

• 85. Как вы обрабатываете смену форматов документов (legacy + новые форматы)
• 334. Как вы делаете online RL для агентов (self-improvement loops)
• 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)
• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO
• 570. Что такое tree search agents (MCTS for LLM) и когда они эффективны

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление