REINFORCE

Определение

Базовый алгоритм градиента политики для обучения с подкреплением, используемый для дискретных токенов, например в VSD для обновления draft-модели.

Где встречается

• 160. Что такое Variational Speculative Decoding (VSD) и чем он революционен
• 334. Как вы делаете online RL для агентов (self-improvement loops)
• 895. Как оптимизировать траектории агента (trajectory optimization)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление